Демонстрация универсального кодировщика предложений SentEval

Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

Посмотреть на TensorFlow.org Запускаем в Google Colab Посмотреть на GitHub Скачать блокнот См. Модель TF Hub

Это colab demostrates в универсальном предложении кодировщика CMLM модели с использованием SentEval инструментария, который представляет собой библиотеку для измерения качества членов предложения вложений. Набор инструментов SentEval включает в себя разнообразный набор последующих задач, которые могут оценить обобщающую способность модели внедрения и оценить закодированные лингвистические свойства.

Запустите первые два блока кода, чтобы настроить среду, в третьем блоке кода вы можете выбрать задачу SentEval для оценки модели. Для запуска этого Colab рекомендуется среда выполнения графического процессора.

Чтобы узнать больше о Универсальном Предложении кодировщика CMLM модели см https://openreview.net/forum?id=WDVD4lUCTzU

Установить зависимости

Скачать SentEval и данные задачи

На этом шаге загрузите SentEval с github и выполните скрипт данных для загрузки данных задачи. Это может занять до 5 минут.

Установите SentEval и загрузите данные задачи

Cloning into 'SentEval'...
remote: Enumerating objects: 691, done.[K
remote: Counting objects: 100% (2/2), done.[K
remote: Compressing objects: 100% (2/2), done.[K
remote: Total 691 (delta 0), reused 0 (delta 0), pack-reused 689[K
Receiving objects: 100% (691/691), 33.25 MiB | 21.21 MiB/s, done.
Resolving deltas: 100% (434/434), done.

Выполнить задачу оценки SentEval

Следующий блок кода выполняет задачу SentEval и выводит результаты, выбирая одну из следующих задач для оценки модели USE CMLM:

MR  CR  SUBJ    MPQA    SST TREC    MRPC    SICK-E

Выберите модель, параметры и задачу для запуска. Параметры быстрого прототипирования можно использовать для сокращения времени вычислений и получения более быстрого результата.

Это обычно занимает 5-15 минут , чтобы выполнить задачу с «быстрого прототипирования» Params и до часа с «медленным, лучшие производительности» Params.

params = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 5}
params['classifier'] = {'nhid': 0, 'optim': 'rmsprop', 'batch_size': 128,
                                 'tenacity': 3, 'epoch_size': 2}

Для лучшего результата используйте медленнее «медленнее, лучшие показатели» Титулы, вычисление может занять до 1 часа:

params = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 10}
params['classifier'] = {'nhid': 0, 'optim': 'adam', 'batch_size': 16,
                                 'tenacity': 5, 'epoch_size': 6}
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

import sys
sys.path.append(f'{os.getcwd()}/SentEval')

import tensorflow as tf

# Prevent TF from claiming all GPU memory so there is some left for pytorch.
gpus = tf.config.list_physical_devices('GPU')
if gpus:
  # Memory growth needs to be the same across GPUs.
  for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)

import tensorflow_hub as hub
import tensorflow_text
import senteval
import time

PATH_TO_DATA = f'{os.getcwd()}/SentEval/data'
MODEL = 'https://tfhub.dev/google/universal-sentence-encoder-cmlm/en-base/1'
PARAMS = 'rapid prototyping'
TASK = 'CR'

params_prototyping = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 5}
params_prototyping['classifier'] = {'nhid': 0, 'optim': 'rmsprop', 'batch_size': 128,
                                 'tenacity': 3, 'epoch_size': 2}

params_best = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 10}
params_best['classifier'] = {'nhid': 0, 'optim': 'adam', 'batch_size': 16,
                                 'tenacity': 5, 'epoch_size': 6}

params = params_best if PARAMS == 'slower, best performance' else params_prototyping

preprocessor = hub.KerasLayer(
    "https://tfhub.dev/tensorflow/bert_en_uncased_preprocess/3")
encoder = hub.KerasLayer(
    "https://tfhub.dev/google/universal-sentence-encoder-cmlm/en-base/1")

inputs = tf.keras.Input(shape=tf.shape(''), dtype=tf.string)
outputs = encoder(preprocessor(inputs))

model = tf.keras.Model(inputs=inputs, outputs=outputs)

def prepare(params, samples):
    return

def batcher(_, batch):
    batch = [' '.join(sent) if sent else '.' for sent in batch]
    return model.predict(tf.constant(batch))["default"]


se = senteval.engine.SE(params, batcher, prepare)
print("Evaluating task %s with %s parameters" % (TASK, PARAMS))
start = time.time()
results = se.eval(TASK)
end = time.time()
print('Time took on task %s : %.1f. seconds' % (TASK, end - start))
print(results)
Evaluating task CR with rapid prototyping parameters
Time took on task CR : 46.5. seconds
{'devacc': 90.42, 'acc': 88.98, 'ndev': 3775, 'ntest': 3775}

Выучить больше

Ссылка