在2017年之前，工业界和学术界对NLP文本处理依赖于序列模型Recurrent Neural Network (RNN).
paddlenlp.seq2vec是什么? 瞧瞧它怎么完成情感分析教程介绍了如何使用paddlenlp.seq2vec表征文本语义。
近年来随着深度学习的发展，模型参数的数量飞速增长。为了训练这些参数，需要更大的数据集来避免过拟合。然而，对于大部分NLP任务来说，构建大规模的标注数据集非常困难（成本过高），特别是对于句法和语义相关的任务。相比之下，大规模的未标注语料库的构建则相对容易。为了利用这些数据，我们可以先从其中学习到一个好的表示，再将这些表示应用到其他任务中。最近的研究表明，基于大规模未标注语料库的预训练模型（Pretrained Models, PTM) 在NLP任务上取得了很好的表现。
近年来，大量的研究表明基于大型语料库的预训练模型（Pretrained Models, PTM）可以学习通用的语言表示，有利于下游NLP任务，同时能够避免从零开始训练模型。随着计算能力的发展，深度模型的出现（即 Transformer）和训练技巧的增强使得 PTM 不断发展，由浅变深。
本图片来自于：https://github.com/thunlp/PLMpapers
本示例展示了以ERNIE(Enhanced Representation through Knowledge Integration)代表的预训练模型如何Finetune完成中文文本分类任务。
本项目针对中文文本分类问题，开源了一系列模型，供用户可配置地使用：
- BERT(Bidirectional Encoder Representations from Transformers)中文模型，简写
bert-base-chinese， 其由12层Transformer网络组成。 - ERNIE(Enhanced Representation through Knowledge Integration)，支持ERNIE 1.0中文模型（简写
ernie-1.0）和ERNIE Tiny中文模型（简写ernie-tiny)。 其中ernie由12层Transformer网络组成，ernie-tiny由3层Transformer网络组成。 - RoBERTa(A Robustly Optimized BERT Pretraining Approach)，支持24层Transformer网络的
roberta-wwm-ext-large和12层Transformer网络的roberta-wwm-ext。
| 模型 | dev acc | test acc |
|---|---|---|
| bert-base-chinese | 0.93833 | 0.94750 |
| bert-wwm-chinese | 0.94583 | 0.94917 |
| bert-wwm-ext-chinese | 0.94667 | 0.95500 |
| ernie-1.0 | 0.94667 | 0.95333 |
| ernie-tiny | 0.93917 | 0.94833 |
| roberta-wwm-ext | 0.94750 | 0.95250 |
| roberta-wwm-ext-large | 0.95250 | 0.95333 |
| rbt3 | 0.92583 | 0.93250 |
| rbtl3 | 0.9341 | 0.93583 |
以下是本项目主要代码结构及说明：
pretrained_models/
├── deploy # 部署
│ └── python
│ └── predict.py # python预测部署示例
│ └── serving
│ ├── client.py # 客户端预测脚本
│ └── export_servable_model.py # 导出Serving模型及其配置
├── export_model.py # 动态图参数导出静态图参数脚本
├── predict.py # 预测脚本
├── README.md # 使用说明
└── train.py # 训练评估脚本
我们以中文情感分类公开数据集ChnSentiCorp为示例数据集，可以运行下面的命令，在训练集（train.tsv）上进行模型训练，并在开发集（dev.tsv）验证
$ unset CUDA_VISIBLE_DEVICES
$ python -m paddle.distributed.launch --gpus "0" train.py --device gpu --save_dir ./checkpoints --use_amp False可支持配置的参数：
save_dir：可选，保存训练模型的目录；默认保存在当前目录checkpoints文件夹下。dataset：可选，xnli_cn，chnsenticorp 可选，默认为chnsenticorp数据集。max_seq_length：可选，ERNIE/BERT模型使用的最大序列长度，最大不能超过512, 若出现显存不足，请适当调低这一参数；默认为128。batch_size：可选，批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数；默认为32。learning_rate：可选，Fine-tune的最大学习率；默认为5e-5。weight_decay：可选，控制正则项力度的参数，用于防止过拟合，默认为0.00。epochs: 训练轮次，默认为3。valid_steps: evaluate的间隔steps数，默认100。save_steps: 保存checkpoints的间隔steps数，默认100。logging_steps: 日志打印的间隔steps数，默认10。warmup_proption：可选，学习率warmup策略的比例，如果0.1，则学习率会在前10%训练step的过程中从0慢慢增长到learning_rate, 而后再缓慢衰减，默认为0.1。init_from_ckpt：可选，模型参数路径，热启动模型训练；默认为None。seed：可选，随机种子，默认为1000.device: 选用什么设备进行训练，可选cpu或gpu。如使用gpu训练则参数gpus指定GPU卡号。use_amp: 是否使用混合精度训练，默认为False。
代码示例中使用的预训练模型是ERNIE，如果想要使用其他预训练模型如BERT等，只需更换model 和 tokenizer即可。
# 使用ernie预训练模型
# ernie-1.0
model = AutoModelForSequenceClassification.from_pretrained('ernie-1.0',num_classes=2))
tokenizer = AutoTokenizer.from_pretrained('ernie-1.0')
# 使用bert预训练模型
# bert-base-chinese
model = AutoModelForSequenceClassification.from_pretrained('bert-base-chinese', num_class=2)
tokenizer = AutoTokenizer.from_pretrained('bert-base-chinese')更多预训练模型，参考transformers
程序运行时将会自动进行训练，评估，测试。同时训练过程中会自动保存模型在指定的save_dir中。
如：
checkpoints/
├── model_100
│ ├── model_config.json
│ ├── model_state.pdparams
│ ├── tokenizer_config.json
│ └── vocab.txt
└── ...
NOTE:
- 如需恢复模型训练，则可以设置
init_from_ckpt， 如init_from_ckpt=checkpoints/model_100/model_state.pdparams。 - 如需使用ernie-tiny模型，则需要提前先安装sentencepiece依赖，如
pip install sentencepiece - 使用动态图训练结束之后，还可以将动态图参数导出成静态图参数，具体代码见export_model.py。静态图参数保存在
output_path指定路径中。 运行方式：
python export_model.py --params_path=./checkpoint/model_900/model_state.pdparams --output_path=./export其中params_path是指动态图训练保存的参数路径，output_path是指静态图参数导出路径。
导出模型之后，可以用于部署，deploy/python/predict.py文件提供了python部署预测示例。运行方式：
python deploy/python/predict.py --model_dir=./export启动预测：
export CUDA_VISIBLE_DEVICES=0
python predict.py --device 'gpu' --params_path checkpoints/model_900/model_state.pdparams将待预测数据如以下示例：
这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般
怀着十分激动的心情放映，可是看着看着发现，在放映完毕后，出现一集米老鼠的动画片
作为老的四星酒店，房间依然很整洁，相当不错。机场接机服务很好，可以在车上办理入住手续，节省时间。
可以直接调用predict函数即可输出预测结果。
如
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 Label: negative
Data: 怀着十分激动的心情放映，可是看着看着发现，在放映完毕后，出现一集米老鼠的动画片 Label: negative
Data: 作为老的四星酒店，房间依然很整洁，相当不错。机场接机服务很好，可以在车上办理入住手续，节省时间。 Label: positive
NOTE：
使用Paddle Serving服务化部署需要将动态图保存的模型参数导出为静态图Inference模型参数文件。如何导出模型参考上述提到的导出模型。
Inference模型参数文件：
| 文件 | 说明 |
|---|---|
| inference.pdiparams | 模型权重文件，供推理时加载使用 |
| inference.pdmodel | 模型结构文件，供推理时加载使用 |
- 服务器端依赖：
pip install paddle-serving-app paddle-serving-client paddle-serving-server如果服务器端可以使用GPU进行推理，则安装server的gpu版本，安装时要注意参考服务器当前CUDA、TensorRT的版本来安装对应的版本：Serving readme
pip install paddle-serving-app paddle-serving-client paddle-serving-server-gpu- 客户端依赖：
pip install paddle-serving-app paddle-serving-client建议在docker容器中运行服务器端和客户端以避免一些系统依赖库问题，启动docker镜像的命令参考：Serving readme
使用Serving进行预测部署时，需要将静态图inference model导出为Serving可读入的模型参数和配置。运行方式如下：
python -u deploy/serving/export_servable_model.py \
--inference_model_dir ./export/ \
--model_file inference.pdmodel \
--params_file inference.pdiparams可支持配置的参数：
inference_model_dir： Inference推理模型所在目录，这里假设为 export 目录。model_file： 推理需要加载的模型结构文件。params_file： 推理需要加载的模型权重文件。
执行命令后，会在当前目录下生成2个目录：serving_server 和 serving_client。serving_server目录包含服务器端所需的模型和配置，需将其拷贝到服务器端容器中；serving_client目录包含客户端所需的配置，需将其拷贝到客户端容器中。
在服务器端容器中，启动server
python -m paddle_serving_server.serve \
--model ./serving_server \
--port 8090其中：
model： server加载的模型和配置所在目录。port： 表示server开启的服务端口8090。
如果服务器端可以使用GPU进行推理计算，则启动服务器时可以配置server使用的GPU id
python -m paddle_serving_server.serve \
--model ./serving_server \
--port 8090 \
--gpu_id 0gpu_id： server使用0号GPU。
在客户端容器中，使用前面得到的serving_client目录启动client发起RPC推理请求。和使用Paddle Inference API进行推理一样。
python deploy/serving/client.py \
--client_config_file ./serving_client/serving_client_conf.prototxt \
--server_ip_port 127.0.0.1:8090 \
--max_seq_length 128其中参数释义如下：
client_config_file表示客户端需要加载的配置文件。server_ip_port表示服务器端的ip地址和端口号。ip地址和端口号需要根据实际情况进行更换。max_seq_length表示输入的最大句子长度，超过该长度将被截断。