进阶任务：Prompt tuning文本匹配

更新时间：2022-08-03

任务简介

近年来，Pretain+Finetuning的训练方式已广泛流行在NLP领域，近期来出现了新的训练方式——Prompt Learning， Prompt Learning是指对输入文本信息按照特定模板进行处理，把任务重构成一个更能充分利用预训练语言模型处理的形式。

Prompt Learning的做法可由Prompt的构造方式分为以下几种方式：

Hand-crafted，人工模板构造Prompt的方式，需要人工的参与，而且不同的Prompt的构造方式模型的效果差距较大，模型效果不稳定。
Automate prompt design (离散)，该部分工作提出自动Prompt的构造方式，根据任务搜索合适的prompt的token。但因为这些token仍是具体的文字，从深度学习的角度来说，这种方式的效果是次优的。
Prompt tuning，采用的是连续的Prompt向量，认为参数化的Prompt相对离散的Prompt形式具有更强的表达能力，不关注Prompt的自然语言性，其模型效果更优。

文心ERNIE匹配任务接入Prompt tuning+离散Prompt的训练方式，用户可根据自己的任务需求只需要简单更改json配置即可。我们在FewCLUE的文本匹配任务中进行了效果评测：

	Bustm	Ocnli
Finetune	66.89%	38.06%
Prompt相关策略	67.45% (Prompt Embedding+CLS)	45.24% (Prompt Embedding+Verbalizer)

准备数据

示例数据位于text_matching/data/fewclue

.
├── bustm
│   ├── predict
│   │   └── predict.txt
│   ├── test_public
│   │   └── test_public.txt
│   └── train
│       └── train.txt
└── ocnli
    ├── dict
    │   └── label_map.txt
    ├── predict
    │   └── predict.txt
    ├── test_public
    │   └── test_public.txt
    └── train
        └── train.txt

其中训练、测试、预测数据集可参考正常的文本匹配数据集格式

若采用Prompt Embedding+Verbalizer策略，需要用户额外准备一份label的词表文件，为语言模型待预测的mask处的值，用\t分割，要求字数一致，如：

并且	0
不是	1
是的	2

模型准备

模型均存放于wenxin_appzoo/wenxin_appzoo/models_hub文件夹下，进入文件夹执行sh download_ernie_3.0_base_ch.sh下载预训练模型参数，字典，模型配置文件。

训练参数配置

文心中的各种参数都是在json文件中进行配置的，你可以通过修改所加载的json文件来进行参数的自定义配置。json配置文件主要分为三个部分：dataset_reader（数据部分）、model（网络部分）、trainer（训练任务）或inference（预测部分），在模型训练的时候，json文件中需要配置dataset_reader、model和trainer这三个部分；在预测推理的时候，json文件中需要配置dataset_reader、inference这两个部分。

Prompt相关策略的json配置大体与正常的文本分类json配置类似，以下介绍与Prompt策略相关的json配置。

Prompt Embedding+CLS，以mtch_ernie_prompt_cls_bustm_ch.json为例

{
  "dataset_reader": {
    "train_reader": {
      "name": "train_reader",
      "type": "ErnieClassificationDataSetReader",
      "fields": [
        {
          "name": "text_a",
          "data_type": "string",
          "reader": {
            "type": "ErniePromptClassificationFieldReader"	# 采用prompt相关的reader
          },
					...
          "is_prompt_tuning": true,	# 是否采用prompt相关的组网方式
          "prompt_len": 20,	# prompt embedding的长度
          "is_mask_res": false	# 若直接使用cls，不采用Verbalizer方式，此处设为false即可
        },
        ...
      ],
      ...
    },
    ...
  "model": {
    "type": "ErnieMatchingFcPointwise",
    "is_prompt_tuning": true,	# 是否为prompt tuning训练方式
    "prompt_len": 20,	# prompt embedding的长度
    "use_mlp_prompt": true,	# 是否采用mlp网络构造Prompt embedding
    "use_lstm_prompt": false,	# 是否采用lstm网络构造Prompt embedding
    ...
  },
	...
}

Prompt Embedding+Verbalizer，以mtch_ernie_prompt_verbalizer_ocnli_ch.json为例

{
  "dataset_reader": {
    "train_reader": {
      "name": "train_reader",
      "type": "ErnieClassificationDataSetReader",
      "fields": [
        {
          "name": "text_a",
          "data_type": "string",
          "reader": {
            "type": "ErniePromptClassificationFieldReader"	# 采用prompt相关的reader
          },
          "label_map_path": "./data/fewclue/ocnli/dict/label_map.txt",	# 需填入label的词表文件
          "is_prompt_tuning": true,	# 是否采用prompt相关的组网方式
          "prompt_len": 20,	# prompt embedding的长度
          "is_mask_res": true,	# 是否采用Verbalizer方式
          "mask_res_len": 2,	# mask的label长度，如上述示例该值需改为2
          "prompt": "text_a?m m,text_b"	# 用户可构造人工prompt，其中text_a和text_b分别指代第1句和第2句话，m为[mask]处该预测值用于Verbalizer映射，多个时注意要用空格分开以分词。
        },
        ...
        {
          "name": "label",
          "reader": {
            "type": "ScalarVerbalizerFieldReader"	# 采用verbalizer的reader
          },
          "label_map_path": "./data/fewclue/ocnli/dict/label_map.txt",	# 需填入label的词表文件
          "text_vocab_path": "../../models_hub/ernie_2.0_base_ch_dir/vocab.txt",	# 需填入文本对应的词表文件
          ...
        }
      ],
			...
    },
    ...
    "save_reader_padding": true	# 保存预测模型时需padding，以满足不同数据长度的需求（适配paddle）
  },
  "model": {
    "type": "ErnieMatchingPromptVerbalizer",	# 对应的组网类
    "need_mask_id": true,		# 若采用mask预测的方式，该处需设为true
    "is_prompt_tuning": true,	# 是否为prompt相关训练方式
    "prompt_len": 20,	# prompt embedding的长度
    "use_mlp_prompt": true,	# 是否采用mlp网络构造Prompt embedding
    "use_lstm_prompt": false,	# 是否采用lstm网络构造Prompt embedding
    "is_dygraph": 1,	# 仅支持动态图
    
}

开始训练

环境配置

Prompt tuning文本匹配任务位于/wenxin/tasks/text_matching，仅支持动态图。

指定AUTH的配置路径，找到你自己的auth.txt，获取它的绝对路径，如/home/zhangsang/wenxin/wenxin_appzoo，那么将这个绝对路径设给环境变量WENXIN_AUTH_PATH，如下所示：
```
export WENXIN_AUTH_PATH=/home/zhangsang/wenxin/wenxin_appzoo
```

进入指定目录

cd wenxin_appzoo/wenxin_appzoo/tasks/text_matching

如果是gpu训练，先指定卡号，如下所示指定在0号卡上进行训练
```
export CUDA_VISIBLE_DEVICES=0
```

模型训练的入口脚本为./run_trainer.py ，通过--param_path参数来传入./examples/目录下的json配置文件。

# Prompt Embedding+CLS训练策略
python run_trainer.py --param_path=./examples/mtch_ernie_prompt_cls_bustm_ch.json
# Prompt Embedding+Verbalizer训练策略
python run_trainer.py --param_path=./examples/mtch_ernie_prompt_verbalizer_ocnli_ch.json

训练运行的日志会自动保存在./log/test.log文件中。

训练中以及结束后产生的模型文件会默认保存在json配置的output_path目录下，其中save_inference_model/文件夹会保存用于预测的模型文件，save_checkpoint/文件夹会保存用于热启动的模型文件。

开始预测

指定AUTH的配置路径，找到你自己的auth.txt，获取它的绝对路径，如/home/zhangsang/wenxin/wenxin_appzoo，那么将这个绝对路径设给环境变量WENXIN_AUTH_PATH，如下所示：
```
export WENXIN_AUTH_PATH=/home/zhangsang/wenxin/wenxin_appzoo
```

进入指定目录

cd wenxin_appzoo/wenxin_appzoo/tasks/text_matching

如果是gpu训练，先指定卡号，如下所示指定在0号卡上进行预测
```
export CUDA_VISIBLE_DEVICES=0
```
选定配置好的json文件，把你将要预测的模型对应的inference_model文件路径填入json文件的inference_model_path参数中。（其中网络中gather_nd op，在预测时有限制，目前预测的batch_size需小于等于训练时的batch_size，若用户想开大预测的batch_size，可load训练再save，如有疑问可联系客服同学解决。）

模型训练的入口脚本为./run_infer.py ，通过--param_path参数来传入./examples/目录下的json配置文件。

# Prompt Embedding+CLS模型预测
python run_infer.py --param_path=./examples/mtch_ernie_prompt_cls_bustm_ch_infer.json
# Prompt Embedding+Verbalizer模型预测
python run_infer.py --param_path=./examples/mtch_ernie_prompt_verbalizer_ocnli_ch_infer.json

预测运行的日志会自动保存在./output/predict_result.txt文件中。

匹配任务：医疗问答

序列标注