Transformers_for_Text_Classification

Transformers_for_Text_Classification

基于Transformers的文本分类

基于最新的huggingface 出品的transformers v2.2.2代码进行重构。为了保证代码日后可以直接复现而不出现兼容性问题，这里将transformers 放在本地进行调用。

Highlights

• 支持transformer模型后接各种特征提取器
• 支持测试集预测代码
• 精简原始transformers代码，使之更适合文本分类任务
• 优化logging终端输出，使之输出内容更加合理

Support

model_type：

• bert
• bert_cnn
• bert_lstm
• bert_gru
• xlnet
• xlnet_cnn
• xlnet_lstm
• xlnet_gru
• albert

Content

• dataset：存放数据集
• pretrained_models：存放预训练模型
• transformers：transformers文件夹
• results：存放训练结果

Usage

1. 使用不同模型

在shell文件中修改model_type参数即可指定模型

如，BERT后接FC全连接层，则直接设置model_type=bert ；BERT后接CNN卷积层，则设置model_type=bert_cnn .

在本README的Support中列出了本项目中各个预训练模型支持的model_type 。

最后，在终端直接运行shell文件即可，如：

 bash run_classifier.sh

注：在中文RoBERTa、ERNIE、BERT_wwm这三种预训练语言模型中，均使用BERT的model_type进行加载。

2. 使用自定义数据集

1. 在dataset文件夹里存放自定义的数据集文件夹，如TestData .
2. 在根目录下的utils.py中，仿照class THUNewsProcessor写一个自己的类，如命名为class TestDataProcessor ，并在tasks_num_labels , processors , output_modes三个dict中添加相应内容.
3. 最后，在你需要运行的shell文件中修改TASK_NAME为你的任务名称，如TestData .

Environment

• one 2080Ti, 12GB RAM

• Python: 3.6.5

• PyTorch: 1.3.1

• TensorFlow: 1.14.0(仅为了支持TensorBoard，无其他作用)

• Numpy: 1.14.6

Performance

数据集: THUNews/5_5000

epoch:1

train_steps: 5000

model	dev set best F1 and Acc	Remark
bert_base	0.9308869881728941, 0.9324	BERT接FC层, batch_size 8, learning_rate 2e-5
bert_base+cnn	0.9136314735833212, 0.9156	BERT接CNN层, batch_size 8, learning_rate 2e-5
bert_base+lstm	0.9369254464106703, 0.9372	BERT接LSTM层, batch_size 8, learning_rate 2e-5
bert_base+gru	0.9379539112313108, 0.938	BERT接GRU层, batch_size 8, learning_rate 2e-5
roberta_large		RoBERTa接FC层, batch_size 2, learning_rate 2e-5
xlnet_mid	0.9530066512880131, 0.954	XLNet接FC层, batch_size 2, learning_rate 2e-5
xlnet_mid+lstm	0.9269927348553552, 0.9304	XLNet接LSTM层, batch_size 2, learning_rate 2e-5
xlnet_mid+gru	0.9494631023945569, 0.9508	XLNet接GRU层, batch_size 2, learning_rate 2e-5
albert_xlarge_183k

Download Chinese Pre-trained Models

NPL_PEMDC