PaddleHub 深度学习模型开发工具 项目简介
PaddleHub是什么深度学习模型的价值在AI时代不断增大。要想得到一个高质量的深度学习模型，离不开4个要素，优秀的算法、充足的算力、丰富的数据以及专家知识。大家在深度学习中常常遇到以下问题：一些研究领域只有少量标注数据，且数据标注成本较高，不足以训练一个足够鲁棒的神经网络 大规模神经网络的训练依赖于大量的计算资源，这对于一般用户而言难以实现 应对于普适化需求的模型，在特定应用上表现不尽如人意PaddleHub就是为了解决对深度学习模型的需求而开发的工具。它基于飞桨领先的核心框架，精选效果优秀的算法，提供了百亿级大数据训练的预训练模型，方便用户不用花费大量精力从头开始训练一个模型。PaddleHub可以便捷地获取这些预训练模型，完成模型的管理和一键预测。配合使用Fine-tune API，可以基于大规模预训练模型快速完成迁移学习，让预训练模型能更好地服务于用户特定场景的应用。PaddleHub有什么特色1、 通过PaddleHub，开发者可以便捷地获取飞桨生态下的所有预训练模型，涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、语言模型、视频分类、图像生成八类主流模型40余个，如图1 所示。飞桨还发布了PaddleHub的官方网页，对各个预训练模型的应用提供了详实的介绍。 △ 图1 PaddleHub提供了40+官方预训练模型2、PaddleHub引入了模型即软件的概念，通过Python API或者命令行工具，一键完成预训练模型地预测。此外还借鉴了Anaconda和pip软件包管理的理念设计了一套命令行接口。深度学习时代，模型发展的趋势会逐渐向软件工程靠拢；未来模型可以当作一个可执行程序，一键预测；也可以是第三方库，通过模型插拔的方式提高开发者的开发效率。同时模型会有版本的概念，通过不断迭代升级的方式提升我们模型的效果。通过命令行工具，可以方便快捷的完成模型的搜索、下载、安装、预测等功能，对应的关键的命令分别是search，download，install，run等。如以下示例，在安装完成飞桨和PaddleHub以后（具体安装方法见后文示例），使用词法分析模型LAC，可以一键实现分词。$ hub run lac --input_text "今天是个好日子"
[{'word': ['今天', '是', '个', '好日子'], 'tag': ['TIME', 'v', 'q', 'n']}]再如以下示例所示，是一个目标检测的例子，通过hub run 调用不同的目标检测模型，一行即可完成预测，同时也可以快速体验哪个模型能更符合开发的需求。$ hub run yolov3_coco2017 --input_path test.jpg
$ hub run faster_rcnn_coco2017 --input_path test.jpg △ 图2 PaddleHub一键完成预训练模型地预测3、通过PaddleHub Fine-tune API，结合少量代码即可完成大规模预训练模型的迁移学习。下面一节我们也会全面介绍PaddleHub的API。PaddleHub API全景PaddleHub API的全景图如图3所示。为了更好帮助用户更好的应用预训练模型，PaddleHub对Fine-tune做了6个层次的抽象。 △ 图3 PaddleHub Fine-tune API全景数据集Dataset：PaddleHub提供多种NLP任务和CV任务的数据集，用户也可以在自定义数据集上完成Fine-tune。 数据预处理Reader：PaddleHub的数据预处理模块Reader对常见的NLP和CV任务进行了抽象。 预训练模型Module：Module代表了一个预训练模型。 优化策略Strategy：在PaddleHub中，Strategy类封装了一系列适用于迁移学习的Fine-tune策略。Strategy包含了对预训练参数使用什么学习率变化策略，使用哪种类型的优化器，使用什么类型的正则化等。 运行配置 RunConfig：在PaddleHub中，RunConfig代表了在对Task进行Fine-tune时的运行配置。包括运行的epoch次数、batch的大小、是否使用GPU训练等。 迁移任务Task：PaddleHub预置了常见任务的Task。Task代表了一个Fine-tune的任务。任务中包含了执行该任务相关的Program、数据Reader、运行配置等内容。每种Task都有自己特有的应用场景以及提供了对应的度量指标，用于适应用户的不同需求。预置的任务类型包括图像分类、文本分类、序列分类和多标签分类各类任务。PaddleHub还支持用户可以通过继承BasicTask来实现自己的任务。PaddleHub封装了finetune、eval、finetune_and_eval、predict等直观的基础接口，让开发者更方便完成模型的迁移和应用。如何快速开始 △ 图4 PaddleHub Fine-tune API使用接下来本文结合实际案例，讲述如何快速使用PaddleHub实现十行代码完成文本分类迁移。场景是标注数据不多中文文本分类场景，如何提高分类的精度和模型的泛化能力。这里的方案是借助ERNIE + PaddleHub Finetune API，除去安装，只想要5个步骤，10行代码即可解决这一问题。这里先介绍一下ERNIE，它是百度发布的知识增强的预训练模型，通过建模海量数据中的词、实体及实体关系，学习真实世界的语义知识。具体来说，ERNIE 模型通过对词、实体等语义单元的掩码，使得模型学习完整概念的语义表示。相较于 BERT 学习原始语言信号，ERNIE 直接对先验语义知识单元进行建模，增强了模型语义表示能力。ERNIE在多个公开的中文数据集上进行了效果验证，包括语言推断、语义相似度、命名实体识别、情感分析、问答匹配等自然语言处理各类任务上，均超越了语义表示模型 BERT 的效果。接下来开始实战演练PaddleHub。1. 安装$ pip install paddlepaddle #CPU安装命令或者$ pip install paddlepaddle-gpu # GPU安装以上命令是安装CPU或者GPU版本的飞桨。通过以下命令则可以安装PaddleHub。$ pip install paddlehub另外，PaddleHub内置了深度学习可视化工具VisualDL的依赖，通过VisualDL，可以很好的对深度学习任务进行可视化。2. 选择预训练模型在完成安装飞桨与PaddleHub，import导入相应模块后，一行代码即可加载预训练模型。只要1分钟，你就能得到万级别GPU小时训练出来的ERNIE模型。当然也可以支持BERT模型调用，只需要更换不同的模型名称即可。import paddle.fluid as fluid
import paddlehub as hub
module = hub.Module(name="ernie")
inputs, outputs, program = module.context(trainable=True, max_seq_len=128)第二步是获取模型上下文，包括了预训练模型的输入Tensor，输出Tensor还有计算图。这里面有个关键参数是trainable。如果trainable为True，那么就是一个fine-tune的任务，预训练模型的参数会做微调，以更好的适应顶层的应用、如果trainable为False，那么就预训练模型参数保持不变，将它当作特征提取器。对于ERNIE模型而言，不推荐使用特征提取，一定要通过Finetune的方式才能取得更好的效果。3. 数据处理选择模型后就是进行数据预处理，针对不同的迁移任务做了一系列数据处理的封装。dataset = hub.dataset.ChnSentiCorp()
reader = hub.reader.ClassifyReader(
dataset=dataset,
vocab_path=module.get_vocab_path(),
max_seq_len=128)hub.dataset.ChnSentiCorp() 会自动从网络下载数据集并解压到用户目录下。4. 策略配置接下来开始配置Fine-tune时用到的优化策略。针对ERNIE与BERT类任务，PaddleHub封装了适合这一任务的迁移学习优化策略AdamWeightDecayStrategystrategy = hub.AdamWeightDecayStrategy(
learning_rate=5e-5,
weight_decay=0.01,
lr_scheduler="linear_decay",
)
config=hub.RunConfig(use_cuda=True, num_epoch=3,batch_size=32,checkpoint_dir=" ckpt_dir",strategy=strategy)5. 创建迁移学习任务组建移学习任务这块也非常简单，首先是选择预训练的模型输出，作为我们句子的特征。在这里ERNIE我们选择pooled_output作为句子的特征输出。也可以通过获取sequence_output来得到词粒度的特征，这个特征般用于序列标注。pooled_output = outputs["pooled_output"]
# feed_list的Tensor顺序不可以调整
feed_list = [
inputs["input_ids"].name,
inputs["position_ids"].name,
inputs["segment_ids"].name,
inputs["input_mask"].name,
]
cls_task = hub.TextClassifierTask(
data_reader=reader,
feature=pooled_output,
feed_list=feed_list,
num_classes=dataset.num_labels,
config=config)
cls_task.finetune_and_eval()Finetuning API非常智能，会自动完成评估，保存最优模型还有自动可视化的功能。Finetune API训练过程中会自动对关键训练指标进行打点，启动程序后执行下面命令$ visualdl --logdir ckpt_dir/vdllog -t ${HOST_IP}其中${HOST_IP}为本机IP地址，如本机IP地址为192.168.0.1，用浏览器打开192.168.0.1:8040，其中8040为端口号，即可看到训练过程中指标的变化情况6. 模型预测通过Finetune完成模型训练后，在对应的ckpt_dir目录下，会自动保存验证集上效果最好的模型。接下来可以按照如下的示例进行预测。# Data to be prdicted
data = [
["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],["还稍微重了点，可能是硬盘大的原故，还要再轻半斤就好了。其他要进一步验证。贴的几种膜气泡较多，用不了多久就要更换了，屏幕膜稍好点，但比没有要强多了。建议配赠几张膜让用用户自己贴。"],[ "前台接待太差，酒店有A B楼之分，本人check－in后，前台未告诉B楼在何处，并且B楼无明显指示；房间太小，根本不像4星级设施，下次不会再选择入住此店啦"], ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
index = 0
run_states = cls_task.predict(data=data)
results = [run_state.run_results for run_state in run_states]
for batch_result in results:
# get predict index
batch_result = np.argmax(batch_result, axis=2)[0]
for result in batch_result:
print("%s predict=%s" % (data[index][0], result))
index += 1除了以上的介绍，PaddleHub还在AI Studio和AIBook上提供了IPython NoteBook形式的demo，开发者可以直接在平台上在线体验PaddleHub带来的各种便捷。此外，AI studio平台还发布了亿元算力支持计划，提供了“每日运行赠12小时”和“连续5天运行赠48小时”两种机制共同服务，每天都得能轻松获得！该平台集成算力、教程、 样例模型、工程开发、在线部署的能力, 乃至比赛平台，满足从0基础学习到技术落地的全生命周期，帮助开发者全面掌握深度学习技术的各方各面。
[{'word': ['今天', '是', '个', '好日子'], 'tag': ['TIME', 'v', 'q', 'n']}]再如以下示例所示，是一个目标检测的例子，通过hub run 调用不同的目标检测模型，一行即可完成预测，同时也可以快速体验哪个模型能更符合开发的需求。$ hub run yolov3_coco2017 --input_path test.jpg
$ hub run faster_rcnn_coco2017 --input_path test.jpg △ 图2 PaddleHub一键完成预训练模型地预测3、通过PaddleHub Fine-tune API，结合少量代码即可完成大规模预训练模型的迁移学习。下面一节我们也会全面介绍PaddleHub的API。PaddleHub API全景PaddleHub API的全景图如图3所示。为了更好帮助用户更好的应用预训练模型，PaddleHub对Fine-tune做了6个层次的抽象。 △ 图3 PaddleHub Fine-tune API全景数据集Dataset：PaddleHub提供多种NLP任务和CV任务的数据集，用户也可以在自定义数据集上完成Fine-tune。 数据预处理Reader：PaddleHub的数据预处理模块Reader对常见的NLP和CV任务进行了抽象。 预训练模型Module：Module代表了一个预训练模型。 优化策略Strategy：在PaddleHub中，Strategy类封装了一系列适用于迁移学习的Fine-tune策略。Strategy包含了对预训练参数使用什么学习率变化策略，使用哪种类型的优化器，使用什么类型的正则化等。 运行配置 RunConfig：在PaddleHub中，RunConfig代表了在对Task进行Fine-tune时的运行配置。包括运行的epoch次数、batch的大小、是否使用GPU训练等。 迁移任务Task：PaddleHub预置了常见任务的Task。Task代表了一个Fine-tune的任务。任务中包含了执行该任务相关的Program、数据Reader、运行配置等内容。每种Task都有自己特有的应用场景以及提供了对应的度量指标，用于适应用户的不同需求。预置的任务类型包括图像分类、文本分类、序列分类和多标签分类各类任务。PaddleHub还支持用户可以通过继承BasicTask来实现自己的任务。PaddleHub封装了finetune、eval、finetune_and_eval、predict等直观的基础接口，让开发者更方便完成模型的迁移和应用。如何快速开始 △ 图4 PaddleHub Fine-tune API使用接下来本文结合实际案例，讲述如何快速使用PaddleHub实现十行代码完成文本分类迁移。场景是标注数据不多中文文本分类场景，如何提高分类的精度和模型的泛化能力。这里的方案是借助ERNIE + PaddleHub Finetune API，除去安装，只想要5个步骤，10行代码即可解决这一问题。这里先介绍一下ERNIE，它是百度发布的知识增强的预训练模型，通过建模海量数据中的词、实体及实体关系，学习真实世界的语义知识。具体来说，ERNIE 模型通过对词、实体等语义单元的掩码，使得模型学习完整概念的语义表示。相较于 BERT 学习原始语言信号，ERNIE 直接对先验语义知识单元进行建模，增强了模型语义表示能力。ERNIE在多个公开的中文数据集上进行了效果验证，包括语言推断、语义相似度、命名实体识别、情感分析、问答匹配等自然语言处理各类任务上，均超越了语义表示模型 BERT 的效果。接下来开始实战演练PaddleHub。1. 安装$ pip install paddlepaddle #CPU安装命令或者$ pip install paddlepaddle-gpu # GPU安装以上命令是安装CPU或者GPU版本的飞桨。通过以下命令则可以安装PaddleHub。$ pip install paddlehub另外，PaddleHub内置了深度学习可视化工具VisualDL的依赖，通过VisualDL，可以很好的对深度学习任务进行可视化。2. 选择预训练模型在完成安装飞桨与PaddleHub，import导入相应模块后，一行代码即可加载预训练模型。只要1分钟，你就能得到万级别GPU小时训练出来的ERNIE模型。当然也可以支持BERT模型调用，只需要更换不同的模型名称即可。import paddle.fluid as fluid
import paddlehub as hub
module = hub.Module(name="ernie")
inputs, outputs, program = module.context(trainable=True, max_seq_len=128)第二步是获取模型上下文，包括了预训练模型的输入Tensor，输出Tensor还有计算图。这里面有个关键参数是trainable。如果trainable为True，那么就是一个fine-tune的任务，预训练模型的参数会做微调，以更好的适应顶层的应用、如果trainable为False，那么就预训练模型参数保持不变，将它当作特征提取器。对于ERNIE模型而言，不推荐使用特征提取，一定要通过Finetune的方式才能取得更好的效果。3. 数据处理选择模型后就是进行数据预处理，针对不同的迁移任务做了一系列数据处理的封装。dataset = hub.dataset.ChnSentiCorp()
reader = hub.reader.ClassifyReader(
dataset=dataset,
vocab_path=module.get_vocab_path(),
max_seq_len=128)hub.dataset.ChnSentiCorp() 会自动从网络下载数据集并解压到用户目录下。4. 策略配置接下来开始配置Fine-tune时用到的优化策略。针对ERNIE与BERT类任务，PaddleHub封装了适合这一任务的迁移学习优化策略AdamWeightDecayStrategystrategy = hub.AdamWeightDecayStrategy(
learning_rate=5e-5,
weight_decay=0.01,
lr_scheduler="linear_decay",
)
config=hub.RunConfig(use_cuda=True, num_epoch=3,batch_size=32,checkpoint_dir=" ckpt_dir",strategy=strategy)5. 创建迁移学习任务组建移学习任务这块也非常简单，首先是选择预训练的模型输出，作为我们句子的特征。在这里ERNIE我们选择pooled_output作为句子的特征输出。也可以通过获取sequence_output来得到词粒度的特征，这个特征般用于序列标注。pooled_output = outputs["pooled_output"]
# feed_list的Tensor顺序不可以调整
feed_list = [
inputs["input_ids"].name,
inputs["position_ids"].name,
inputs["segment_ids"].name,
inputs["input_mask"].name,
]
cls_task = hub.TextClassifierTask(
data_reader=reader,
feature=pooled_output,
feed_list=feed_list,
num_classes=dataset.num_labels,
config=config)
cls_task.finetune_and_eval()Finetuning API非常智能，会自动完成评估，保存最优模型还有自动可视化的功能。Finetune API训练过程中会自动对关键训练指标进行打点，启动程序后执行下面命令$ visualdl --logdir ckpt_dir/vdllog -t ${HOST_IP}其中${HOST_IP}为本机IP地址，如本机IP地址为192.168.0.1，用浏览器打开192.168.0.1:8040，其中8040为端口号，即可看到训练过程中指标的变化情况6. 模型预测通过Finetune完成模型训练后，在对应的ckpt_dir目录下，会自动保存验证集上效果最好的模型。接下来可以按照如下的示例进行预测。# Data to be prdicted
data = [
["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],["还稍微重了点，可能是硬盘大的原故，还要再轻半斤就好了。其他要进一步验证。贴的几种膜气泡较多，用不了多久就要更换了，屏幕膜稍好点，但比没有要强多了。建议配赠几张膜让用用户自己贴。"],[ "前台接待太差，酒店有A B楼之分，本人check－in后，前台未告诉B楼在何处，并且B楼无明显指示；房间太小，根本不像4星级设施，下次不会再选择入住此店啦"], ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
index = 0
run_states = cls_task.predict(data=data)
results = [run_state.run_results for run_state in run_states]
for batch_result in results:
# get predict index
batch_result = np.argmax(batch_result, axis=2)[0]
for result in batch_result:
print("%s predict=%s" % (data[index][0], result))
index += 1除了以上的介绍，PaddleHub还在AI Studio和AIBook上提供了IPython NoteBook形式的demo，开发者可以直接在平台上在线体验PaddleHub带来的各种便捷。此外，AI studio平台还发布了亿元算力支持计划，提供了“每日运行赠12小时”和“连续5天运行赠48小时”两种机制共同服务，每天都得能轻松获得！该平台集成算力、教程、 样例模型、工程开发、在线部署的能力, 乃至比赛平台，满足从0基础学习到技术落地的全生命周期，帮助开发者全面掌握深度学习技术的各方各面。