Zixuan/lstm (#503)

* add fairseq version * add flask web
2026-09-19 01:28:10 +08:00 · 2020-05-07 13:52:28 +08:00
parent 712778ff0a
commit 39392ed9bc
2 changed files with 211 additions and 16 deletions
@@ -22,8 +22,8 @@ Copyright © Microsoft Corporation. All rights reserved.
 * [推荐学习时长](#推荐学习时长)
 * [案例详解](#案例详解)
  * [程序结构](#程序结构)
-  * [工具包的选择](#工具包的选择)
  * [数据收集](#数据收集)
+  * [工具包的选择](#工具包的选择)
  * [数据预处理](#数据预处理)
  * [模型训练](#模型训练)
  * [模型推理](#模型推理)
@@ -175,21 +175,6 @@ pip3 install -r train_requirements.txt

 由于在该结构中，NLP的核心内容在于上联生成下联，因此我们将会在案例中关注此部分的实现，并搭建一个简单的web应用将模型封装成api。

-## 工具包的选择
-
-想要完成一个自动生成对联的小程序，想法十分美好，但想要达到这个目标，光拍拍脑袋想想是不够的，需要训练出一个能完成对联生成的自然语言理解模型。于是乎，就有两个选择：
-
-1. 自己写一套完成对联生成工作的深度学习模型。这个工作量相当之大，可能需要一个NLP专业团队来进行开发，调优。
-2. 应用已有的深度学习模型，直接应用。这个选择比较符合客观需要。我们找到了两个工具包：
-
-    + Tensor2Tensor 工具包：Tensor2Tensor（以下简称T2T）是由 Google Brain 团队使用和维护的开源深度学习模型库，支持多种数据集和模型。T2T 在 github 上有完整的介绍和用法，可以访问[这里](https://github.com/tensorflow/tensor2tensor)了解详细信息。
-
-    + Fairseq 工具包：[Fairseq](https://github.com/pytorch/fairseq) 是 Facebook 推出的一个序列建模工具包，这个工具包允许研究和开发人员自定义训练翻译、摘要、语言模型等文本生成任务。这里是它的 PyTorch 实现。
-
-    本案例中，我们使用 T2T 工具包进行模型训练。
-
-
-
 ## 数据收集

 有了模型，还需要数据。巧妇难为无米之炊，没有数据，什么都是浮云。数据从哪里来呢？GitHub 上有很多开源贡献者收集和整理了对联数据，可以进行下载使用。
@@ -200,6 +185,24 @@ pip3 install -r train_requirements.txt
 3. 微软亚洲研究院提供的10万条对联数据（非公开数据）。


+## 工具包的选择
+
+想要完成一个自动生成对联的小程序，想法十分美好，但想要达到这个目标，光拍拍脑袋想想是不够的，需要训练出一个能完成对联生成的自然语言理解模型。于是乎，就有两个选择：
+
+1. 自己写一套完成对联生成工作的深度学习模型。这个工作量相当之大，可能需要一个NLP专业团队来进行开发，调优。
+2. 应用已有的深度学习模型，直接应用。这个选择比较符合客观需要。我们找到了两个工具包：Tensor2Tensor和Fairseq。
+
+### Tensor2Tensor
+Tensor2Tensor（以下简称T2T）是由 Google Brain 团队使用和维护的开源深度学习模型库，支持多种数据集和模型。T2T 在 github 上有完整的介绍和用法，可以访问[这里](https://github.com/tensorflow/tensor2tensor)了解详细信息。
+
+在本案例中，我们将演示如何使用T2T工具包进行模型训练。
+
+### Fairseq
+[Fairseq](https://github.com/pytorch/fairseq) 是 Facebook 推出的一个序列建模工具包，这个工具包允许研究和开发人员自定义训练翻译、摘要、语言模型等文本生成任务。这里是它的 PyTorch 实现。
+
+除了下面的使用T2T训练的版本外，我们也提供了[使用fairseq训练模型](./docs/fairseq.md)的教程。
+
+
 ## 数据预处理

 ### 生成源数据文件
@@ -0,0 +1,192 @@
+# 使用fairseq训练模型
+
+在开始之前，请先确保已成功安装fairseq。
+```
+pip install fairseq
+```
+
+## 数据预处理
+
+开始预处理之前，我们先统一文件路径。
+```
+HOME_DIR=$(cd `dirname $0`; pwd)
+RAW_DATA_DIR=${HOME_DIR}/fairseq-data
+PREPROCESSED_DATA_DIR=${HOME_DIR}/data-bin/couplet
+MODEL_SAVE_DIR=${HOME_DIR}/output/couplet
+```
+* `RAW_DATA_DIR`为上述的所有训练数据的存放目录
+* `PREPROCESSED_DATA_DIR`是预处理文件的输出目录
+* `MODEL_SAVE_DIR`为训练模型结果的保存目录
+
+此后，我们需要将收集的训练数据分为训练集、验证集、测试集三部分。请确保对联的数据分为上联和下联两个文件，用换行符`\n`分隔每条上联或下联数据，每个字以空格隔开。
+
+由于训练数据比较大，我们建议可以使用98:1:1的比例划分训练集、验证集、测试集，并将上联文件分别命名为`train.up`、`valid.up`、`test.up`，下联文件命名为`train.down`、`valid.down`、`test.down`。
+
+完成划分后，将所有文件存放至`RAW_DATA_DIR`目录。
+
+接着执行以下脚本开始预处理数据。
+
+```
+fairseq-preprocess \
+--source-lang up \
+--target-lang down \
+--trainpref ${RAW_DATA_DIR}/train \
+--validpref ${RAW_DATA_DIR}/valid \
+--testpref ${RAW_DATA_DIR}/test \
+--destdir ${PREPROCESSED_DATA_DIR}
+```
+
+完成预处理后，生成的训练所需的二进制文件及上联和下联的字典文件都会保存在`PREPROCESSED_DATA_DIR`目录下。
+
+## 模型训练
+
+完成数据预处理后，执行以下脚本即可开始训练。
+```
+fairseq-train ${PREPROCESSED_DATA_DIR} \
+--log-interval 100 \
+--lr 0.25 \
+--clip-norm 0.1 \
+--dropout 0.2  \
+--criterion label_smoothed_cross_entropy \
+--save-dir ${MODEL_SAVE_DIR} \
+-a lstm \
+--max-tokens 4000 \
+--max-epoch 100
+```
+
+其中，`-a`参数可以选择训练的模型，此处我们选择lstm进行训练。
+
+更多的参数解释请参考[fairseq文档](https://fairseq.readthedocs.io/en/latest/command_line_tools.html#fairseq-train)。
+
+训练完成后，模型文件会保存在`MODEL_SAVE_DIR`目录下。
+
+## 模型推理
+
+fairseq提供了两种模型推理的命令行工具，分别是fairseq-generate和fairseq-interactive。除此之外，我们还可以使用Python加载模型并完成推理。
+
+### fairseq-generate
+fairseq-generate的输入是二进制文件，会自动读取测试集的数据完成推理。
+
+具体命令如下：
+```
+fairseq-generate ${PREPROCESSED_DATA_DIR} --path ${MODEL_SAVE_DIR}/checkpoint_best.pt --source-lang up --target-lang down
+```
+
+### fair-seq-interactive
+fairseq-interactive提供了交互式命令行的方式推理，加载模型后，用户输入上联，模型将实时输出下联。
+
+具体命令如下：
+```
+fairseq-interactive ${PREPROCESSED_DATA_DIR} --path ${MODEL_SAVE_DIR}/checkpoint_best.pt --source-lang up --target-lang down
+```
+
+更多参数请参考[fairseq文档](https://fairseq.readthedocs.io/en/latest/command_line_tools.html#fairseq-interactive)。
+
+### 使用Python加载模型
+为了搭建后端服务，我们可以使用Python加载模型，并完成推理。
+
+下面以加载LSTM为例。
+
+1. 引入模型
+
+    ```
+    from fairseq.models.lstm import LSTMModel
+    ```
+
+2. 读入模型文件
+
+    第一个参数为checkpoints所在目录，`checkpoint_file`为需要读入的checkpoint的文件名，`data_name_or_path`为字典文件所在的目录。
+    ```
+    model = LSTMModel.from_pretrained('./checkpoints',\
+    checkpoint_file='checkpoint_best.pt',\
+    data_name_or_path="DICT_PATH")
+    ```
+
+3. 推理
+
+    此处需要注意输入的文字之间需用空格隔开。
+    ```
+    upper = '海内存知己'
+    down = model.translate(' '.join(list(upper)))
+    print(down) # 天 涯 若 比 邻
+    ```
+
+## 搭建Flask Web应用
+1. 安装flask
+    ```
+    pip3 install flask
+    ```
+
+2. 搭建服务
+
+    这一步我们将使用Python加载模型后，利用flask开启web服务。
+
+    ```
+    from flask import Flask
+    from flask import request
+    from fairseq.models.lstm import LSTMModel # 引入模型
+
+    model = LSTMModel.from_pretrained('./checkpoints',\
+        checkpoint_file='checkpoint_best.pt',\
+        data_name_or_path="DICT_PATH") # 读入模型
+
+    app = Flask(__name__)
+
+    @app.route('/',methods=['GET'])
+    def get_couplet_down():
+        couplet_up = request.args.get('upper','')
+
+        couplet_down = model.translate(' '.join(list(couplet_up))) # 模型推理
+
+        couplet_down = couplet_down.replace(' ','')
+
+        return couplet_up + "," + couplet_down
+
+    ```
+3. 启动服务
+
+    在测试环境中，我们使用flask自带的web服务即可（注：生产环境应使用uwsgi+nginx部署，有兴趣的同学可以自行查阅资料）。
+
+    使用以下两条命令：
+
+    在Ubuntu下，
+    ```
+    export FLASK_APP=app.py
+    python -m flask run
+    ```
+    在Windows下，
+    ```
+    set FLASK_APP=app.py
+    python -m flask run
+    ```
+    此时，服务就启动啦。
+
+    我们仅需向后端 http://127.0.0.1:5000/ 发起get请求，并带上上联参数upper，即可返回生成的对联到前端。
+
+    请求示例: ```http://127.0.0.1:5000/?upper=海内存知己```
+
+    返回结果: ```海内存知己，天涯若比邻```
+
+## 模型对比
+
+除了LSTM外，我们还使用了fairseq中内置的几组模型进行训练对比，包括CNN、transformer。具体可用模型可以参考[fairseq Models](https://fairseq.readthedocs.io/en/latest/models.html)。
+
+我们对模型训练了30个epoch。
+
+速度和模型大小对比：
+| 模型名称 |推理时间 (100句) | 训练时间 | 模型大小 |
+|---|---|---|---|
+| LSTM |0.7s| 2h48m| 103.9M |
+| CNN | 2.9s|28h42m|679.1M |
+| Transformer|1.1s|4h05m|207.9M|
+
+训练效果对比：
+| 模型名称 | Valid Loss | BLEU4 | Perplexity |
+|---|---|---|---|
+| LSTM |3.99| 12.14| 17.00 |
+| CNN | 4.39|15.69| 19.39 |
+| Transformer|4.24|10.29|10.77|
+
+注：Transformer为2个Encoder和2个Decoder。
+
+可见，LSTM的模型较小，训练和推理速度较快，loss也更小。