GPLinker_pytorch

GPLinker_pytorch

介绍

这是pytorch版本的GPLinker代码以及TPLinker_Plus代码。

• GPLinker主要参考了苏神博客和他的keras版本代码
• TPLinker_Plus主要参考了原版代码
• 其中TPLinker_Plus代码在模型部分可能有点区别。

更新

• 2022/03/03 添加tplinker_plus+bert-base-chinese权重在duie_v1上的结果。添加duee_v1任务的训练代码，请查看duee_v1目录。
• 2022/03/01 添加tplinker_plus+hfl/chinese-roberta-wwm-ext权重在duie_v1上的结果。
• 2022/02/25 现已在Dev分支更新最新的huggingface全家桶版本的代码，main分支是之前旧的代码（执行效率慢）

结果

Tips: 在RTX3090，20epoch的条件下，gplinker需要训练5-6h，tplinker_plus则需要训练16-17h。

Tensorboard日志

gplinker训练日志

tplinker_plus训练日志

依赖

所需的依赖如下：

• fastcore==1.3.29
• datasets==1.18.3
• transformers>=4.16.2
• accelerate==0.5.1
• chinesebert==0.2.1

安装依赖requirements.txt

pip install -r requirements.txt

准备数据

从 http://ai.baidu.com/broad/download?dataset=sked 下载数据。

将train_data.json和dev_data.json压缩成spo.zip文件，并且放入data文件夹。

当前data/spo.zip文件是本人提供精简后的数据集，其中train_data.json只有2000条数据，dev_data.json只有200条数据。

运行

accelerate launch train.py \
    --model_type bert \
    --pretrained_model_name_or_path bert-base-chinese \
    --method gplinker \
    --logging_steps 200 \
    --num_train_epochs 20 \
    --learning_rate 3e-5 \
    --num_warmup_steps_or_radios 0.1 \
    --gradient_accumulation_steps 1 \
    --per_device_train_batch_size 16 \
    --per_device_eval_batch_size 32 \
    --seed 42 \
    --save_steps 10804 \
    --output_dir ./outputs \
    --max_length 128 \
    --topk 1 \
    --num_workers 6

其中使用到参数介绍如下：

• model_type: 表示模型架构类型，像bert-base-chinese、hfl/chinese-roberta-wwm-ext模型都是基于bert架构，junnyu/roformer_chinese_char_base是基于roformer架构，可选择["bert", "roformer", "chinesebert"]。
• pretrained_model_name_or_path: 表示加载的预训练模型权重，可以是本地目录，也可以是huggingface.co的路径。
• method: 表示使用的方法, 可选择["gplinker", "tplinker_plus"]
• logging_steps: 日志打印的间隔，默认为200。
• num_train_epochs: 训练轮数，默认为20。
• learning_rate: 学习率，默认为3e-5。
• num_warmup_steps_or_radios: warmup步数或者比率，当为浮点类型时候表示的是radio，当为整型时候表示的是step，默认为0.1。
• gradient_accumulation_steps: 梯度累计的步数，默认为1。
• per_device_train_batch_size: 训练的batch_size，默认为16。
• per_device_eval_batch_size: 评估的batch_size，默认为32。
• seed: 随机种子，以便于复现，默认为42。
• save_steps: 保存步数，每隔多少步保存模型。
• output_dir: 模型输出路径。
• max_length: 句子的最大长度，当大于这个长度时候，tokenizer会进行截断处理。
• topk: 保存topk个数模型，默认为1。
• num_workers: dataloader的num_workers参数，linux系统下发现GPU使用率不高的时候可以尝试设置这个参数大于0，而windows下最好设置为0，不然会报错。
• use_efficient: 是否使用EfficientGlobalPointer，默认为False。

Reference

• 苏剑林. (Jan. 30, 2022). 《GPLinker：基于GlobalPointer的实体关系联合抽取 》[Blog post]. Retrieved from https://kexue.fm/archives/8888
• https://github.com/bojone/GPLinker
• https://github.com/bojone/bert4keras/tree/master/examples/task_relation_extraction_gplinker.py
• https://github.com/131250208/TPlinker-joint-extraction/tree/master/tplinker_plus