Demonstração de SentEval do codificador de sentença universal

Ver no TensorFlow.org Executar no Google Colab Ver no GitHub Baixar caderno Veja o modelo TF Hub

Este colab demostrates a Universal Sentença modelo Encoder CMLM usando o SentEval toolkit, que é uma biblioteca para medir a qualidade de embeddings sentença. O kit de ferramentas SentEval inclui um conjunto diversificado de tarefas downstream que são capazes de avaliar o poder de generalização de um modelo de incorporação e avaliar as propriedades linguísticas codificadas.

Execute os dois primeiros blocos de código para configurar o ambiente, no terceiro bloco de código você pode escolher uma tarefa SentEval para avaliar o modelo. Um tempo de execução de GPU é recomendado para executar este Colab.

Para saber mais sobre a Universal Sentença modelo Encoder CMLM, consulte https://openreview.net/forum?id=WDVD4lUCTzU

Instale dependências

pip install --quiet tensorflow-text
pip install --quiet torch==1.8.1

Baixe SentEval e dados de tarefas

Esta etapa faz o download do SentEval do github e executa o script de dados para fazer o download dos dados da tarefa. A conclusão pode demorar até 5 minutos.

Instale SentEval e baixe os dados da tarefa

rm -rf ./SentEval
git clone https://github.com/facebookresearch/SentEval.git
cd $PWD/SentEval/data/downstream && bash get_transfer_data.bash > /dev/null 2>&1

Cloning into 'SentEval'...
remote: Enumerating objects: 691, done.[K
remote: Counting objects: 100% (2/2), done.[K
remote: Compressing objects: 100% (2/2), done.[K
remote: Total 691 (delta 0), reused 0 (delta 0), pack-reused 689[K
Receiving objects: 100% (691/691), 33.25 MiB | 21.21 MiB/s, done.
Resolving deltas: 100% (434/434), done.

Execute uma tarefa de avaliação SentEval

O seguinte bloco de código executa uma tarefa SentEval e produz os resultados, escolha uma das seguintes tarefas para avaliar o modelo USE CMLM:

MR  CR  SUBJ    MPQA    SST TREC    MRPC    SICK-E

Selecione um modelo, parâmetros e tarefa para executar. Os parâmetros de prototipagem rápida podem ser usados ​​para reduzir o tempo de computação para resultados mais rápidos.

Ele normalmente leva 5-15 minutos para completar uma tarefa com os parâmetros 'Prototipagem Rápida' e até uma hora com os "melhores mais lentas, o desempenho dos parâmetros.

params = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 5}
params['classifier'] = {'nhid': 0, 'optim': 'rmsprop', 'batch_size': 128,
                                 'tenacity': 3, 'epoch_size': 2}

Para um melhor resultado, use o mais lento 'mais lento, melhor desempenho' params, computação pode demorar até 1 hora:

params = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 10}
params['classifier'] = {'nhid': 0, 'optim': 'adam', 'batch_size': 16,
                                 'tenacity': 5, 'epoch_size': 6}
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

import sys
sys.path.append(f'{os.getcwd()}/SentEval')

import tensorflow as tf

# Prevent TF from claiming all GPU memory so there is some left for pytorch.
gpus = tf.config.list_physical_devices('GPU')
if gpus:
  # Memory growth needs to be the same across GPUs.
  for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)

import tensorflow_hub as hub
import tensorflow_text
import senteval
import time

PATH_TO_DATA = f'{os.getcwd()}/SentEval/data'
MODEL = 'https://tfhub.dev/google/universal-sentence-encoder-cmlm/en-base/1'
PARAMS = 'rapid prototyping'
TASK = 'CR'

params_prototyping = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 5}
params_prototyping['classifier'] = {'nhid': 0, 'optim': 'rmsprop', 'batch_size': 128,
                                 'tenacity': 3, 'epoch_size': 2}

params_best = {'task_path': PATH_TO_DATA, 'usepytorch': True, 'kfold': 10}
params_best['classifier'] = {'nhid': 0, 'optim': 'adam', 'batch_size': 16,
                                 'tenacity': 5, 'epoch_size': 6}

params = params_best if PARAMS == 'slower, best performance' else params_prototyping

preprocessor = hub.KerasLayer(
    "https://tfhub.dev/tensorflow/bert_en_uncased_preprocess/3")
encoder = hub.KerasLayer(
    "https://tfhub.dev/google/universal-sentence-encoder-cmlm/en-base/1")

inputs = tf.keras.Input(shape=tf.shape(''), dtype=tf.string)
outputs = encoder(preprocessor(inputs))

model = tf.keras.Model(inputs=inputs, outputs=outputs)

def prepare(params, samples):
    return

def batcher(_, batch):
    batch = [' '.join(sent) if sent else '.' for sent in batch]
    return model.predict(tf.constant(batch))["default"]


se = senteval.engine.SE(params, batcher, prepare)
print("Evaluating task %s with %s parameters" % (TASK, PARAMS))
start = time.time()
results = se.eval(TASK)
end = time.time()
print('Time took on task %s : %.1f. seconds' % (TASK, end - start))
print(results)
Evaluating task CR with rapid prototyping parameters
Time took on task CR : 46.5. seconds
{'devacc': 90.42, 'acc': 88.98, 'ndev': 3775, 'ntest': 3775}

Saber mais

Referência