Skip to content

Latest commit

 

History

History
150 lines (109 loc) · 4.9 KB

README.md

File metadata and controls

150 lines (109 loc) · 4.9 KB
Raw

1 简介

本项目基于PaddlePaddle复现的MegatronBert，完成情况如下:

  • 在mnli、SQuAD1.1和SQuAD2.0数据集上均达到论文精度
  • 我们复现的MegatronBert是基于paddlenlp
  • 我们提供aistudio notebook, 帮助您快速验证模型
  • 我们提供脚本任务，可以快速使用多卡训练模型

项目参考：

2 复现精度

在SQuAD1.1数据集的测试效果如下表。

网络 opt 数据集 EM EM(原论文) F1 F1(原论文)
MegatronBert AdamW SQuAD1.1 88.78 88.0 94.40 94.2

复现代码训练日志： 复现代码训练日志

在SQuAD2.0数据集的测试效果如下表。

网络 opt 数据集 EM EM(原论文) F1 F1(原论文)
MegatronBert AdamW SQuAD2.0 85.85 84.8 88.70 88.1

复现代码训练日志： 复现代码训练日志

在MNLI数据集的测试效果如下表。

网络 opt 数据集 acc(matched) acc(matched)(原论文) acc(mismatched) acc(mismatched)(原论文)
MegatronBert AdamW mnli 89.68 89.7 89.92 90.0

复现代码训练日志： 复现代码训练日志

3 数据集

我们主要复现MNLI、SQuAD1.1和SQuAD2.0数据集的精度, 数据集，

SQuAD1.1和SQuAD2.0数据集可以前往此处下载: 地址

MNLI数据集可在此处下载: 地址

或者您也可以不下载数据集，我们已经把数据集处理程序封装好，运行训练脚本会自动下载数据集

4环境依赖

运行以下命令即可配置环境

pip install paddlenlp==2.2.4

5 快速开始

如果你觉得以下步骤过于繁琐，您可以直接到此处 链接 利用我们提供的AISTUDIO NOTEBOOK快速验证MNLI数据集的结果。

若想快速验证SQuAD1.1和SQuAD2.0数据集的结果,请前往此处: 链接

如果您希望快速训练模型，请前往此处: 链接

脚本任务说明：(1)若希望在SQuAD1.1数据集上训练，请使用启动命令bash run_squad_1.1.sh

(2)若希望在SQuAD2.0数据集上训练，请使用启动命令bash run_squad_2.0.sh

(3)若希望在mnli数据集上训练，请使用启动命令bash run_mnli.sh

请注意，运行bash run_mnli.sh脚本有小概率出现 <文件不存在> 的错误，出现此错误请重启脚本任务

首先，您需要下载预训练权重: 下载地址

训练并测试在mnli数据集上的ACC：
python -m paddle.distributed.launch run_glue.py --task_name=mnli --output_dir=<OUTPUT_DIR> --model_dir=<MODEL>

说明：

  • <OUTPUT_DIR>和<MODEL>分别为输出文件夹路径和预训练权重文件夹路径

运行结束后你将看到如下结果:

eval loss: 0.186327, acc: 0.8992358634742741, eval loss: 0.332409, acc: 0.8968673718470301, eval done total : 118.65499472618103 s
训练并测试在SQuAD1.1数据集上的精度：
python -m paddle.distributed.launch run_squad.py --do_train --do_predict --model_dir=<MODEL>

运行结束后你将看到如下结果:

{
  "exact": 88.78902554399244,
  "f1": 94.4082803514958,
  "total": 10570,
  "HasAns_exact": 88.78902554399244,
  "HasAns_f1": 94.4082803514958,
  "HasAns_total": 10570
}
训练并测试在SQuAD2.0数据集上的精度：
python -m paddle.distributed.launch run_squad.py --do_train --do_predict --model_dir=<MODEL> --version_2_with_negative

运行结束后你将看到如下结果:

{
  "exact": 85.85867093405206,
  "f1": 88.70579950475263,
  "total": 11873,
  "HasAns_exact": 82.47300944669365,
  "HasAns_f1": 88.17543143048748,
  "HasAns_total": 5928,
  "NoAns_exact": 89.23465096719933,
  "NoAns_f1": 89.23465096719933,
  "NoAns_total": 5945,
  "best_exact": 85.99343047250063,
  "best_exact_thresh": -1.6154582500457764,
  "best_f1": 88.75296534320918,
  "best_f1_thresh": -0.20494508743286133
}

6 代码结构与详细说明

├─args.py                  # SQuAD数据集配置文件
├─modeling_MegatronBERT.py # MegatronBert模型文件
├─run_glue.py              # glue任务训练脚本
├─run_squad.py             # SQuAD任务训练脚本