CLUE_pytorch
中文语言理解测评基准(Language Understanding Evaluation benchmark for Chinese)
备注：此版本为个人开发版(目前支持所有的分类型任务)，正式版见https://github.com/CLUEbenchmark/CLUE
更新
- 2020-03-08: 模型加载使用Huggingface-Transformers
模型列表
| model type | model_name_or_path |
|---|---|
| albert | voidful/albert_chinese_base |
| albert | voidful/albert_chinese_larg |
| albert | voidful/albert_chinese_small |
| albert | voidful/albert_chinese_tiny |
| albert | voidful/albert_chinese_xlarge |
| albert | voidful/albert_chinese_xxlarge |
| bert | bert-base-chinese |
| bert-wwm-ext | hfl/chinese-bert-wwm-ext |
| bert-wwm | hfl/chinese-bert-wwm |
| roberta-wwm-ext-large | hfl/chinese-roberta-wwm-ext-large |
| roberta-wwm-ext | hfl/chinese-roberta-wwm-ext |
| xlnet-base | hfl/chinese-xlnet-base |
| xlnet-mid | hfl/chinese-xlnet-mid |
| rbt3 | hfl/rbt3 |
| rbt3 | hfl/rbtl3 |
| RoBERTa-tiny-clue | clue/roberta_chinese_clue_tiny |
| RoBERTa-tiny-pair | clue/roberta_chinese_pair_tiny |
| RoBERTa-tiny3L768-clue | clue/roberta_chinese_3L768_clue_tiny |
| RoBERTa-tiny3L312-clue | clue/roberta_chinese_3L312_clue_tiny |
| RoBERTa-large-clue | clue/roberta_chinese_clue_large |
| RoBERTa-large-pair | clue/roberta_chinese_pair_large |
代码目录说明
├── CLUEdatasets # 存放数据
| └── tnews
| └── wsc
| └── ...
├── metrics # metric计算
| └── clue_compute_metrics.py
├── outputs # 模型输出保存
| └── tnews_output
| └── wsc_output
| └── ...
├── prev_trained_model # 预训练模型
| └── albert_base
| └── bert-wwm
| └── ...
├── processors # 数据处理
| └── clue.py
| └── ...
├── tools # 通用脚本
| └── progressbar.py
| └── ...
├── run_classifier.py # 主程序
├── run_classifier_tnews.sh # 任务运行脚本
依赖模块
- pytorch=1.1.0
- boto3=1.9
- regex
- sacremoses
- sentencepiece
- python3.6+
- transformers=2.5.1
运行方式
1. 安装Transformers
pip install transformers2. 下载CLUE数据集，运行以下命令：
python download_clue_data.py --data_dir=./CLUEdatasets --tasks=all上述命令默认下载全CLUE数据集，你也可以指定--tasks进行下载对应任务数据集，默认存在在./CLUEdatasets/{对应task}目录下。
注意: 如果使用本地已经下载好的模型权重，需要在对应的文件夹内存放config.json和vocab.txt文件，比如：
├── prev_trained_model # 预训练模型
| └── bert-base
| | └── vocab.txt
| | └── config.json
| | └── pytorch_model.bin
如果使用本地已有的模型权重文件，直接修改参数--model_name_or_path=your_local_model_weight_path即可
3. 直接运行对应任务sh脚本，如：
sh run_classifier_tnews.sh具体运行方式如下：
CURRENT_DIR=`pwd`
export CLUE_DIR=$CURRENT_DIR/CLUEdatasets
export OUTPUR_DIR=$CURRENT_DIR/outputs
TASK_NAME="iflytek"
python run_classifier.py \
--model_type=albert \
--model_name_or_path=voidful/albert_chinese_tiny \
--task_name=$TASK_NAME \
--do_train \
--do_lower_case \
--evaluate_during_training \
--data_dir=$CLUE_DIR/${TASK_NAME}/ \
--max_seq_length=128 \
--per_gpu_train_batch_size=16 \
--per_gpu_eval_batch_size=16 \
--learning_rate=2e-4 \
--num_train_epochs=6.0 \
--logging_steps=759 \
--save_steps=759 \
--output_dir=$OUTPUR_DIR/${TASK_NAME}_output/ \
--overwrite_output_dir \
--seed=42注意:
model_name_or_path=voidful/albert_chinese_tiny默认自动下载albert_chinese_tiny 当前只支持google版本的中文albert模型
4. 评估
当前默认使用最后一个checkpoint模型作为评估模型，你也可以指定--predict_checkpoints参数进行对应的checkpoint进行评估，比如：
CURRENT_DIR=`pwd`
export CLUE_DIR=$CURRENT_DIR/CLUEdatasets
export OUTPUR_DIR=$CURRENT_DIR/outputs
TASK_NAME="copa"
python run_classifier.py \
--model_type=bert \
--model_name_or_path=voidful/albert_chinese_tiny \
--task_name=$TASK_NAME \
--do_predict \
--predict_checkpoints=100 \
--do_lower_case \
--data_dir=$CLUE_DIR/${TASK_NAME}/ \
--max_seq_length=128 \
--per_gpu_train_batch_size=16 \
--per_gpu_eval_batch_size=16 \
--learning_rate=1e-5 \
--num_train_epochs=2.0 \
--logging_steps=50 \
--save_steps=50 \
--output_dir=$OUTPUR_DIR/${TASK_NAME}_output/ \
--overwrite_output_dir \
--seed=42模型列表
"bert": (BertConfig, BertForSequenceClassification, BertTokenizer),
"ernie": (BertConfig, BertForSequenceClassification, BertTokenizer),
"xlnet": (XLNetConfig, XLNetForSequenceClassification, XLNetTokenizer),
"roberta": (BertConfig, BertForSequenceClassification, BertTokenizer),
"albert": (AlbertConfig, AlbertForSequenceClassification, BertTokenizer),
结果
CLUEWSC2020: WSC Winograd模式挑战中文版,新版2020-03-25发布 CLUEWSC2020数据集下载
| 模型 | 开发集(Dev) |
|---|---|
| bert_base | 79.94 |