（十七）使用 T5 Transformer 进行多任务处理的指南
T5 （Text-to-Text Transfer Transformer） 模型是为探索迁移学习的局限性而进行的一项大规模研究（论文）的产物。它建立在 GPT、BERT 和 RoBERTa（仅举几例）模型等流行的架构之上，这些模型利用迁移学习取得了令人难以置信的成功。虽然类似 BERT 的模型可以进行微调以执行各种任务，但架构的约束意味着每个模型只能执行一项任务。
通常，这是通过在 Transformer 模型上添加特定于任务的层来完成的。例如，可以通过添加一个具有两个输出神经元（对应于每个类）的全连接层来适应二进制分类。T5 模型背离了这一传统，将所有 NLP 任务重新定义为文本转文本任务。这会导致任何 NLP 任务的共享框架作为模型的输入，并且模型的输出始终是一个字符串。在二元分类的例子中，T5 模型将简单地输出类的字符串表示形式（即 或 ）。"0""1"
由于任何 NLP 任务的输入和输出格式都是相同的，因此可以教同一个 T5 模型执行多个任务！要指定应该执行哪个任务，我们可以简单地在模型的输入前面加上一个前缀（字符串）。Google AI 博客文章中的动画（如下所示）演示了这一概念。
在本文中，我们将使用这种技术来训练能够执行 3 个 NLP 任务、二元分类、多标签分类和回归的单个 T5 模型。
所有代码也可以在 Github 上找到。
任务规范
二元分类
NLP 中二元分类的目标是将给定的文本序列分类为两类之一。在我们的任务中，我们将使用 Yelp Reviews 数据集将文本的情绪分类为正面 （ ） 或负面 （ ）。"1""0"
多标签分类
在多标签分类中，应使用一组预定义标签的正确子集来标记给定的文本序列（请注意，该子集可以同时包括 null 集和完整标签集本身）。为此，我们将使用 Toxic Comments 数据集，其中每个文本都可以使用标签的任何子集进行标记。toxic, severe_toxic, obscene, threat, insult, identity_hate
回归
在回归任务中，目标变量是一个连续值。在我们的任务中，我们将使用 STS-B （Semantic Textual Similarity Benchmark） 数据集，目标是预测两个句子的相似性。相似性由 和 之间的连续值表示。05
数据准备
由于我们将使用 3 个数据集，因此我们将它们放在目录内的 3 个单独的子目录中。data
data/binary_classificationdata/multilabel_classificationdata/regression
下载
- 下载 Yelp 评论数据集。
- extract 和 to .
train.csvtest.csvdata/binary_classification - 下载 Toxic Comments 数据集。
- 将文件解压到 。
csvdata/multilabel_classification - 下载 STS-B 数据集。
- 将文件解压到 。
csvdata/regression
合并数据集
如前所述，T5 模型的输入和输出始终是文本。通过使用前缀文本指定特定任务，该文本让模型知道它应该如何处理输入。
Simple Transformers 中 T5 模型的 input 数据格式反映了这一事实。输入是一个 Pandas 数据帧，其中包含 3 列 — 、 和 。这使得在多个任务上训练模型变得非常容易，因为您只需要将 .prefixinput_texttarget_textprefix
import pandas as pd import json from sklearn.model_selection import train_test_split prefix = 'data/binary_classification/' binary_train_df = pd.read_csv(prefix + 'train.csv', header=None) binary_train_df.head() binary_eval_df = pd.read_csv(prefix + 'test.csv', header=None) binary_eval_df.head() binary_train_df[0] = (binary_train_df[0] == 2).astype(int) binary_eval_df[0] = (binary_eval_df[0] == 2).astype(int) binary_train_df = pd.DataFrame({ 'prefix': ["binary classification" for i in range(len(binary_train_df))], 'input_text': binary_train_df[1].str.replace('\n', ' '), 'target_text': binary_train_df[0].astype(str), }) print(binary_train_df.head()) binary_eval_df = pd.DataFrame({ 'prefix': ["binary classification" for i in range(len(binary_eval_df))], 'input_text': binary_eval_df[1].str.replace('\n', ' '), 'target_text': binary_eval_df[0].astype(str), }) print(binary_eval_df.head()) prefix input_text \ 0 binary classification Unfortunately, the frustration of being Dr. Go... 1 binary classification Been going to Dr. Goldberg for over 10 years. ... 2 binary classification I don't know what Dr. Goldberg was like before... 3 binary classification I'm writing this review to give you a heads up... 4 binary classification All the food is great here. But the best thing... target_text 0 0 1 1 2 0 3 0 4 1 prefix input_text \ 0 binary classification Contrary to other reviews, I have zero complai... 1 binary classification Last summer I had an appointment to get new ti... 2 binary classification Friendly staff, same starbucks fair you get an... 3 binary classification The food is good. Unfortunately the service is... 4 binary classification Even when we didn't have a car Filene's Baseme... target_text 0 1 1 0 2 1 3 0 4 1 prefix = "data/multilabel_classification/" multi_train_df = pd.read_csv(prefix + 'train.csv') multi_train_df["comment_text"].str.replace('\n', ' ').str.replace('\t', ' ') for col in multi_train_df.columns: if col not in ["id", "comment_text"]: multi_train_df[col] = multi_train_df[col].apply(lambda x: col if x else "") multi_train_df["target_text"] = multi_train_df['toxic'].str.cat(multi_train_df[[col for col in multi_train_df.columns if col not in ["id", "comment_text", "toxic"]]], sep=',') multi_train_df["target_text"] = multi_train_df["target_text"].apply(lambda x: ",".join(word for word in x.split(",") if word)).apply(lambda x: x if x else "clean") multi_train_df["input_text"] = multi_train_df["comment_text"].str.replace('\n', ' ') multi_train_df["prefix"] = "multilabel classification" multi_train_df = multi_train_df[["prefix", "input_text", "target_text"]] multi_train_df, multi_eval_df = train_test_split(multi_train_df, test_size=0.1) multi_train_df.head() prefix input_text target_text 140162 multilabel classification ban you got me banned on irc - clean 135151 multilabel classification This is a public computer Hi, I have a sligh... clean 4901 multilabel classification Why does nobody post anything on 'my talk' tha... clean 58298 multilabel classification Okay sorry I didn't read the article for a while. clean 56472 multilabel classification If you really feel that strongly about protect... clean prefix = 'data/regression/' sts_train_df = pd.read_csv(prefix + 'train.tsv', sep='\t', error_bad_lines=False).dropna() sts_eval_df = pd.read_csv(prefix + 'dev.tsv', sep='\t', error_bad_lines=False).dropna() sts_train_df["sentence1"] = sts_train_df["sentence1"].str.replace('\n', ' ').str.replace('\t', ' ') sts_train_df["sentence2"] = sts_train_df["sentence2"].str.replace('\n', ' ').str.replace('\t', ' ') sts_eval_df["sentence1"] = sts_eval_df["sentence1"].str.replace('\n', ' ').str.replace('\t', ' ') sts_eval_df["sentence2"] = sts_eval_df["sentence2"].str.replace('\n', ' ').str.replace('\t', ' ') b'Skipping line 2509: expected 10 fields, saw 11\nSkipping line 2650: expected 10 fields, saw 11\nSkipping line 2727: expected 10 fields, saw 11\nSkipping line 3071: expected 10 fields, saw 11\nSkipping line 3393: expected 10 fields, saw 11\n' b'Skipping line 1042: expected 10 fields, saw 11\nSkipping line 1066: expected 10 fields, saw 11\nSkipping line 1083: expected 10 fields, saw 11\nSkipping line 1137: expected 10 fields, saw 11\nSkipping line 1150: expected 10 fields, saw 11\n' sts_train_df.drop(2001, inplace=True) # This line is badly formatted. Getting rid. sts_train_df["input_text"] = sts_train_df.apply(lambda x: "sentence1: " + x["sentence1"] + " sentence2: " + x["sentence2"], axis=1) sts_eval_df["input_text"] = sts_eval_df.apply(lambda x: "sentence1: " + x["sentence1"] + " sentence2: " + x["sentence2"], axis=1) sts_train_df["target_text"] = sts_train_df["score"].apply(lambda x: round(x * 5) / 5).astype(str) sts_eval_df["target_text"] = sts_eval_df["score"].apply(lambda x: round(x * 5) / 5).astype(str) sts_train_df["prefix"] = "similarity" sts_eval_df["prefix"] = "similarity" sts_train_df = sts_train_df[["prefix", "input_text", "target_text"]] sts_eval_df = sts_eval_df[["prefix", "input_text", "target_text"]] train_df = pd.concat([binary_train_df, multi_train_df, sts_train_df]).astype(str) eval_df = pd.concat([binary_eval_df, multi_eval_df, sts_eval_df]).astype(str) train_df.to_csv("data/train.tsv", "\t") eval_df.to_csv("data/eval.tsv", "\t")
上面的笔记本加载每个数据集，针对 T5 对其进行预处理，最后将它们组合成一个统一的 DataFrame。
这为我们提供了一个具有 3 个唯一前缀的 DataFrame，即 、 和 。请注意，前缀本身是相当任意的，重要的是确保每个任务都有自己唯一的前缀。模型的输入将采用以下格式：binary classificationmultilabel classificationsimilarity
<prefix>: <input_text>
训练 时会自动添加。": "
其他一些需要注意的事项：
- 多标签分类任务的输出是预测标签 （） 的逗号分隔列表。如果未预测到标签，则输出应为 。
toxic, severe_toxic, obscene, threat, insult, identity_hateclean - for the similarity 任务包括两个句子，如以下示例所示;
input_textsentence1: A man plays the guitar. sentence2: The man sang and played his guitar. - 相似性任务的输出是一个介于 0.0 和 5.0 之间的数字（作为字符串），增量为 0.2。（例如 ， ， ， ）。这遵循 T5 论文作者使用的相同格式。
0.00.43.05.0
从不同输入和输出的表示方式中可以看出，T5 模型的文本到文本方法在表示各种任务和我们可以执行的实际任务方面都为我们提供了极大的灵活性。
例如;
提出正确的问题：在新任务中训练 T5 Transformer 模型
T5 Transformer 将任何 NLP 任务框定为文本转文本任务，使其能够轻松学习新任务。让我们教...
towardsdatascience.com
唯一的限制是想象力！（嗯，想象力和计算资源，但那是另一回事了） 😅
回到数据，运行 Notebook 应该会给你一个 和一个文件，我们将在下一节中使用它来训练我们的模型！train.tsveval.tsv
设置
我们将使用 Simple Transformers 库（基于 Hugging Face Transformers）来训练 T5 模型。
下面给出的说明将安装所有要求。
- 从此处安装 Anaconda 或 Miniconda Package Manager。
- 创建新的虚拟环境并安装软件包。
conda create -n simpletransformers pythonconda activate simpletransformersconda install pytorch cudatoolkit=10.1 -c pytorch - 安装 simpletransformers。
pip install simpletransformers
查看安装文档
训练 T5 模型
与往常一样，使用 Simple Transformers 训练模型非常简单。
import pandas as pd from simpletransformers.t5 import T5Model train_df = pd.read_csv("data/train.tsv", sep="\t").astype(str) eval_df = pd.read_csv("data/eval.tsv", sep="\t").astype(str) model_args = { "max_seq_length": 196, "train_batch_size": 16, "eval_batch_size": 64, "num_train_epochs": 1, "evaluate_during_training": True, "evaluate_during_training_steps": 15000, "evaluate_during_training_verbose": True, "use_multiprocessing": False, "fp16": False, "save_steps": -1, "save_eval_checkpoints": False, "save_model_every_epoch": False, "reprocess_input_data": True, "overwrite_output_dir": True, "wandb_project": "T5 mixed tasks - Binary, Multi-Label, Regression", } model = T5Model("t5", "t5-base", args=model_args) model.train_model(train_df, eval_data=eval_df)
这里使用的大多数参数都是相当标准的。
max_seq_length：选择此项后，大多数样本不会被截断。增加序列长度会显著影响模型的内存消耗，因此通常最好使其尽可能短（理想情况下不要截断输入序列）。train_batch_size：越大越好（只要它适合您的 GPU）eval_batch_size： 与train_batch_sizenum_train_epochs：训练超过 1 个 epoch 可能会提高模型的性能，但显然也会增加训练时间（在 RTX Titan 上每个 epoch 大约 7 小时）。evaluate_during_training：我们将定期根据测试数据测试模型，以了解它的学习情况。evaluate_during_training_steps：上述测试模型的时间段。evaluate_during_training_verbose：在测试完成后向我们显示结果。use_multiprocessing：使用 multiprocessing 显著减少了分词化（在训练开始之前完成）所需的时间，但是，这目前会导致 T5 实施出现问题。所以，现在没有多处理。😢fp16：FP16 或混合精度训练减少了训练模型的内存消耗（意味着可以进行更大的批处理）。不幸的是，目前 T5 的训练不稳定，因此它也被关闭了。fp16save_steps：将此项设置为 this 表示不会保存 checkpoint。-1save_eval_checkpoints：默认情况下，在训练期间执行评估时，将保存模型检查点。由于此 Experiment 仅用于演示，因此我们也不要浪费空间来保存这些 checkpoint。save_model_every_epoch：我们只有 1 个 epoch，所以没有。也不需要这个。reprocess_input_data：控制是从缓存加载特征（保存到磁盘），还是对输入序列再次进行分词化。只有在进行多次运行时，它才真正重要。overwrite_output_dir：如果之前保存的模型位于同一输出目录中，这将覆盖它们。wandb_project：用于可视化训练进度。
说到可视化，你可以在这里查看我的训练进度。感谢W&B的超棒图书馆！
测试 T5 模型
考虑到我们正在处理多个任务，最好使用合适的指标来评估每个任务。考虑到这一点，我们将使用以下指标;
- 二元分类：F1 分数和准确性分数
- 多标签分类：F1 分数（Hugging Face SQuAD 指标实施）和精确匹配（Hugging Face SQuAD 指标实施）
- 相似性：Pearson 相关系数和 Spearman 相关
import json from datetime import datetime from pprint import pprint from statistics import mean import numpy as np import pandas as pd from scipy.stats import pearsonr, spearmanr from simpletransformers.t5 import T5Model from sklearn.metrics import accuracy_score, f1_score from transformers.data.metrics.squad_metrics import compute_exact, compute_f1 def f1(truths, preds): return mean([compute_f1(truth, pred) for truth, pred in zip(truths, preds)]) def exact(truths, preds): return mean([compute_exact(truth, pred) for truth, pred in zip(truths, preds)]) def pearson_corr(preds, labels): return pearsonr(preds, labels)[0] def spearman_corr(preds, labels): return spearmanr(preds, labels)[0] model_args = { "overwrite_output_dir": True, "max_seq_length": 196, "eval_batch_size": 32, "num_train_epochs": 1, "use_multiprocessing": False, "num_beams": None, "do_sample": True, "max_length": 50, "top_k": 50, "top_p": 0.95, "num_return_sequences": 3, } # Load the trained model model = T5Model("t5", "outputs", args=model_args) # Load the evaluation data df = pd.read_csv("data/eval.tsv", sep="\t").astype(str) # Prepare the data for testing to_predict = [ prefix + ": " + str(input_text) for prefix, input_text in zip(df["prefix"].tolist(), df["input_text"].tolist()) ] truth = df["target_text"].tolist() tasks = df["prefix"].tolist() # Get the model predictions preds = model.predict(to_predict) # Saving the predictions if needed with open(f"predictions/predictions_{datetime.now()}.txt", "w") as f: for i, text in enumerate(df["input_text"].tolist()): f.write(str(text) + "\n\n") f.write("Truth:\n") f.write(truth[i] + "\n\n") f.write("Prediction:\n") for pred in preds[i]: f.write(str(pred) + "\n") f.write( "________________________________________________________________________________\n" ) # Taking only the first prediction preds = [pred[0] for pred in preds] df["predicted"] = preds # Evaluating the tasks separately output_dict = { "binary classification": {"truth": [], "preds": [],}, "multilabel classification": {"truth": [], "preds": [],}, "similarity": {"truth": [], "preds": [],}, } results_dict = {} for task, truth_value, pred in zip(tasks, truth, preds): output_dict[task]["truth"].append(truth_value) output_dict[task]["preds"].append(pred) print("-----------------------------------") print("Results: ") for task, outputs in output_dict.items(): if task == "multilabel classification": try: task_truth = output_dict[task]["truth"] task_preds = output_dict[task]["preds"] results_dict[task] = { "F1 Score": f1(task_truth, task_preds), "Exact matches": exact(task_truth, task_preds), } print(f"Scores for {task}:") print(f"F1 score: {f1(task_truth, task_preds)}") print(f"Exact matches: {exact(task_truth, task_preds)}") print() except: pass elif task == "binary classification": try: task_truth = [int(t) for t in output_dict[task]["truth"]] task_preds = [int(p) for p in output_dict[task]["preds"]] results_dict[task] = { "F1 Score": f1_score(task_truth, task_preds), "Accuracy Score": accuracy_score(task_truth, task_preds), } print(f"Scores for {task}:") print(f"F1 score: {results_dict[task]['F1 Score']}") print(f"Accuracy Score: {results_dict[task]['Accuracy Score']}") print() except: pass if task == "similarity": task_truth = [float(t) for t in output_dict[task]["truth"]] task_preds = [float(p) for p in output_dict[task]["preds"]] results_dict[task] = { "Pearson Correlation": pearson_corr(task_truth, task_preds), "Spearman Correlation": spearman_corr(task_truth, task_preds), } print(f"Scores for {task}:") print(f"Pearson Correlation: {results_dict[task]['Pearson Correlation']}") print(f"Spearman Correlation: {results_dict[task]['Spearman Correlation']}") print() with open(f"results/result_{datetime.now()}.json", "w") as f: json.dump(results_dict, f)
请注意，在准备数据时，会在 和 之间插入 a。这在训练时自动完成，但需要手动处理以进行预测。": “prefixinput_text
如果您想了解更多关于解码参数 （， ）， 的信息，请参考 这篇文章。num_beamsdo_samplemax_lengthtop_ktop_p
是时候看看我们的模型表现如何了！
-----------------------------------
Results:
Scores for binary classification:
F1 score: 0.96044512420231
Accuracy Score: 0.9605263157894737Scores for multilabel classification:
F1 score: 0.923048001002632
Exact matches: 0.923048001002632Scores for similarity:
Pearson Correlation: 0.8673017763553101
Spearman Correlation: 0.8644328787107548
该模型在每个任务上都表现得相当不错，尽管在 3 个单独的任务上进行了训练！在下一节中，我们将快速浏览一下如何尝试进一步提高模型的性能。
结束语
可能的改进
混合任务时出现的一个潜在问题是用于每个任务的数据集大小之间的差异。我们可以通过查看训练样本计数在数据集中看到这个问题。
binary classification 560000
multilabel classification 143613
similarity 5702
数据集基本上不平衡，任务的困境似乎特别可怕！这可以从任务落后于其他任务的评估分数中清楚地看出（尽管需要注意的是，我们查看的任务之间的指标并不相同）。similaritysimilarity
此问题的一种可能补救措施是对任务进行过度采样，以便 model.similarity
除此之外，增加训练 epoch 的数量（并优化其他超参数）也可能改进模型。
最后，调整解码参数也可以带来更好的结果。
结束语
T5 模型的文本转文本格式为将 Transformer 和 NLP 应用于各种任务铺平了道路，几乎不需要自定义。即使使用相同的模型执行多项任务，T5 模型的性能也很强大！
希望这将在不久的将来带来许多创新应用。
引用
- 使用统一的文本转文本转换器探索迁移学习的极限 — https://arxiv.org/abs/1910.10683
- Google AI 博客 — https://ai.googleblog.com/2020/02/exploring-transfer-learning-with-t5.html
