Huggingface初上手即ERNIE-gram句子相似性实战

大模型如火如荼的今天，不学点语言模型（LM）相关的技术实在是说不过去了。只不过由于过往项目用到LM较少，所以学习也主要停留在直面——动眼不动手的水平。Huggingface（HF）也是现在搞LM离不开的工具了。

出于项目需要，以及实践出真知的想法，在此记录一下第一次使用HF和微调ERNIE-gram的过程。

• 开始的开始
• 模型选择
• 如何使用选好的模型
• 怎么微调
  • 模型定义
  • 训练流程
• 参考

开始的开始

HF已经做的很好了。但是对于第一次上手实操LM的我来说，还是有点陌生的。上手时有几个问题是一直困扰我的：

• HF上这么多模型，我该用哪一个？
• 每个LM的主要作用是对文本进行Embedding，可我的任务是句子对相似性计算，这该怎么搞？
• 我想在自己的数据上继续微调模型，该怎么做？

模型选择

简单描述一下我的任务：给定两个句子，判断两个句子的语义是否等价。

从NLP的角度出发，这是一类STS（Semantic Textual Similarity）任务，本质是在比较两个文本的语义是否相似。通过检索，找到了一些相关的比赛，例如问题匹配的比赛和相关的模型，这里简单罗列一下：

• 千言数据集：问题匹配鲁棒性。
• 千言-问题匹配鲁棒性评测基线。
• Quora Question Pairs。
• ATEC学习赛：NLP之问题相似度计算。
• 第三届魔镜杯大赛—— 语义相似度算法设计。
• LCQMC通用领域问题匹配数据集。
• [Chinese-BERT-wwm]。

通过以上资料，我大致确定了我要使用的模型——ERNIE-Gram^[1]。

如何使用选好的模型

首先，我找到了ERNIE-Gram的代码仓库^[2]。代码里开源了模型的结构以及微调的代码，相对来说还是比较齐全的。但是有一个最不方便的地方——它是用飞浆写的（不是说飞浆不好，只是一直以来都用pytorch）。当然，很快我又找到了pytorch版的ERNIE-Gram，并且在HF找到了ERNIE-Gram模型。如果我知道怎么使用HF，那么或许我可以很快开始我的微调了，可惜没有如果。

那怎么使用HF上的模型，在自己的数据上进行微调呢？

找到了一篇比较合适的参考资料^[3]，其中介绍了如何在HF中调用ERNIE模型：

from transformers import BertTokenizer, ErnieModel
tokenizer = BertTokenizer.from_pretrained("nghuyong/ernie-1.0-base-zh")
model = ErnieModel.from_pretrained("nghuyong/ernie-1.0-base-zh")

根据这个，我发现通过HF使用某个模型的方法是从transformers库中导入对应的模型和工具即可。那么，我只需要找到对应的模型名和工具，然后以此作为基座，再添加一些可训练层就可以了？

分析dir(transformers)看看都有哪些和Ernie相关的类：

d = dir(transformers)
dd = [e for e in d if 'ernie' in e.lower()]
len(dd)  # 26
print(dd)
# ====
['ERNIE_M_PRETRAINED_CONFIG_ARCHIVE_MAP', 'ERNIE_M_PRETRAINED_MODEL_ARCHIVE_LIST', 'ERNIE_PRETRAINED_CONFIG_ARCHIVE_MAP', 'ERNIE_PRETRAINED_MODEL_ARCHIVE_LIST', 'ErnieConfig', 'ErnieForCausalLM', 'ErnieForMaskedLM', 'ErnieForMultipleChoice', 'ErnieForNextSentencePrediction', 'ErnieForPreTraining', 'ErnieForQuestionAnswering', 'ErnieForSequenceClassification', 'ErnieForTokenClassification', 'ErnieMConfig', 'ErnieMForInformationExtraction', 'ErnieMForMultipleChoice', 'ErnieMForQuestionAnswering', 'ErnieMForSequenceClassification', 'ErnieMForTokenClassification', 'ErnieMModel', 'ErnieMPreTrainedModel', 'ErnieMTokenizer', 'ErnieModel', 'ErniePreTrainedModel', 'models.ernie', 'models.ernie_m']

为了更好了解每个类是干啥的，直接上transformers库来看各个类的介绍^[4]。很快啊，我就发现ErnieForSequenceClassification很适合我的任务：

图中的GLUE（General Language Understanding Evaluation ）^[5]是一系列评测任务集合，显然，我的任务属于Similarity那一类。

很好，大致可以确定该怎么使用HF上的Ernie-Gram模型来完成我的任务了（可惜没有对应的示例）。

怎么微调

在实操之前，对于在预训练好的模型上进行微调，我的想法是：把预训练模型包起来，添加一个分类层，学习分类层的参数就可以了。

但是如果我选择了ErnieForSequenceClassification，通过源码可以发现该类其实是在ErnieModel的基础上添加了一个分类层，那我是否直接加载模型后，选择训练哪些参数就可以了呢？

其实，广义的来说，这等价于一个问题：在HuggingFace中如何微调模型？^[6][7][8]。

其实，微调和平常的模型训练没有太大区别，只不过需要加载预训练好的模型，以及利用现成的工具搭建训练流程，其中主要涉及到的就两点：模型的定义、训练流程的搭建。

模型定义

由于transformers中已经定义好了很多模型，如果某个完全符合要求，那就可以直接使用了。根据自己的需求，选择冻结和训练哪些参数就可以了。

但是有些时候只是用预训练的模型作为自己模型的一部分，这个时候就需要我们做一些额外的工作了——把预训练模型作为一块积木，搭建我们自己的模型。正如ErnieForSequenceClassification所做的一样。

训练流程

训练流程类似。可以重头自己搭建训练流程，或者使用transformes自带的Trainer接口。

这里直接参考HF的教程即可：Fine-tuning a model with the Trainer API、自己搭建训练流程。

参考