English|简体中文
ERNIE是百度开创性提出的基于知识增强的持续学习语义理解框架，该框架将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。ERNIE在情感分析、文本匹配、自然语言推理、词法分析、阅读理解、智能问答等16个公开数据集上全面显著超越世界领先技术，在国际权威的通用语言理解评估基准GLUE上，得分首次突破90分，获得全球第一。在今年3月落下帷幕的全球最大语义评测SemEval 2020上，ERNIE摘得5项世界冠军， 该技术也被全球顶级科技商业杂志《麻省理工科技评论》官方网站报道，相关创新成果也被国际顶级学术会议AAAI、IJCAI收录。ERNIE在工业界得到了大规模应用，如搜索引擎、新闻推荐、广告系统、语音交互、智能客服等。
提醒: ERNIE老版本代码已经迁移至repro分支，欢迎使用我们全新升级的基于动静结合的新版ERNIE套件进行开发。另外，也欢迎上EasyDL体验更丰富的功能（如ERNIE 2.0、ERNIE 2.1、ERNIE领域模型等）。
-
2020.12.29:
ERNIE开源工具套件全面升级 PaddlePaddle v2.0- 所有demo教程均引入AMP（混合精度训练), 平均提速达2.3倍。
- 引入
Gradient accumulation, 8G显存也可运行ERNIE-large模型。
-
2020.9.24:
-
2020.5.20:
- 欢迎试用
动态图实现的 ERNIE:- 动态执行, 所见即所得。
- 大规模分布式训练。
- 易于部署。
- 通过Aistudio 教程快速入门NLP。
- 向后兼容老版 checkpoint。
ERNIE-GEN模型正式开源! (点击进入)- 最强文本生成预训练模型正式开源，相关工作已被
IJCAI-2020收录。- 首次把 ERNIE 预训练技术能力扩展至文本生成领域，在多个典型任务上取得最佳。
- 您现在即可下载论文报告的所有模型（包含
base/large/large-430G）。
- 首次在预训练阶段加入span-by-span 生成任务，让模型每次能够生成一个语义完整的片段。
- 提出填充式生成机制和噪声感知机制来缓解曝光偏差问题。
- 精巧的 Mulit-Flow Attention 实现框架。
- 最强文本生成预训练模型正式开源，相关工作已被
- 欢迎试用
-
2020.4.30 发布ERNIESage， 一种新型图神经网络模型，采用ERNIE做为aggreagtor. 由PGL实现。
-
2020.3.27 在SemEval2020五项子任务上夺冠。
-
2019.12.26 GLUE榜第一名。
-
2019.11.6 发布ERNIE Tiny。
-
2019.7.7 发布ERNIE 2.0。
-
2019.3.16 发布ERNIE 1.0。
import numpy as np
import paddle as P
from ernie.tokenizing_ernie import ErnieTokenizer
from ernie.modeling_ernie import ErnieModel
model = ErnieModel.from_pretrained('ernie-1.0') # Try to get pretrained model from server, make sure you have network connection
model.eval()
tokenizer = ErnieTokenizer.from_pretrained('ernie-1.0')
ids, _ = tokenizer.encode('hello world')
ids = P.to_tensor(np.expand_dims(ids, 0)) # insert extra `batch` dimension
pooled, encoded = model(ids) # eager execution
print(pooled.numpy()) # convert results to numpy手边没有GPU？欢迎在AIStudio中直接试用 ERNIE. (请选择最新版本的教程并申请GPU运行环境)
本项目依赖PaddlePaddle 1.7.0+， 请参考这里安装 PaddlePaddle。
pip install paddle-ernie
或者
git clone https://github.com/PaddlePaddle/ERNIE.git --depth 1
cd ERNIE
pip install -r requirements.txt
pip install -e .propeller是辅助模型训练的高级框架，包含NLP常用的前、后处理流程。你可以通过将本repo根目录放入PYTHONPATH的方式导入propeller:
export PYTHONPATH=$PWD:$PYTHONPATH| Model | 细节参数 | 下载简写 |
|---|---|---|
| ERNIE 1.0 Base 中文 | Layer:12, Hidden:768, Heads:12 | ernie-1.0 |
| ERNIE Tiny | Layer:3, Hdden:1024, Heads:16 | ernie-tiny |
| ERNIE 2.0 Base 英文 | Layer:12, Hidden:768, Heads:12 | ernie-2.0-en |
| ERNIE 2.0 Large 英文 | Layer:24, Hidden:1024, Heads16 | ernie-2.0-large-en |
| ERNIE Gen Base 英文 | Layer:12, Hidden:768, Heads:12 | ernie-gen-base-en |
| ERNIE Gen Large 英文 | Layer:24, Hidden:1024, Heads:16 | ernie-gen-large-en |
| ERNIE Gen Large 430G英文 | Layer:24, Hidden:1024, Heads:16 + 额外430G 预训练语料 | ernie-gen-large-430g-en |
英文数据集
运行此脚本，下载GLUE datasets.
请将数据目录整理成以下格式，方便在后续 demo 教程中使用（通过--data_dir参数将数据路径传入训练脚本）；
data/xnli
├── dev
│ └── 1
├── test
│ └── 1
└── train
└── 1示例数据（MNLI任务测试、训练集合）。
中文数据
| 数据集 | 描述 |
|---|---|
| XNLI | XNLI 是由 Facebook 和纽约大学的研究者联合构建的自然语言推断数据集，包括 15 种语言的数据。我们用其中的中文数据来评估模型的语言理解能力。链接 |
| ChnSentiCorp | ChnSentiCorp 是一个中文情感分析数据集，包含酒店、笔记本电脑和书籍的网购评论。 |
| MSRA-NER | MSRA-NER (SIGHAN2006) 数据集由微软亚研院发布，其目标是识别文本中具有特定意义的实体，包括人名、地名、机构名。 |
| NLPCC2016-DBQA | NLPCC2016-DBQA 是由国际自然语言处理和中文计算会议 NLPCC 于 2016 年举办的评测任务，其目标是从候选中找到合适的文档作为问题的答案。链接 |
| CMRC2018 | CMRC2018 是中文信息学会举办的评测，评测的任务是抽取类阅读理解。链接 |
- 使用
动态图模型进行finetune:
python3 ./ernie_d/demo/finetune_classifier.py \
--from_pretrained ernie-1.0 \
--data_dir ./data/xnli
-
加入
--use_amp以启用AMP功能(请在支持TensorCore设备上启用AMP) -
通过
--bsz指定全局batch_size(一步优化中模型所能见到的样本数), 通过--micro_bsz指定输入给每一张GPU卡的样本数 若--bsz > --micro_bsz脚本会自动开启梯度累计功能. -
分布式 finetune
paddle.distributed.launch 是一个进程管理器，我们采用它在每一张GPU上启动一个python进程，并配置相应的环境变量以进行分布式训练:
当采用分布式训练时，我们采用max_steps做为终止条件而非epoch, 这样处理是为了避免进程间死锁。
你可以通过EPOCH * NUM_TRAIN_EXAMPLES / TOTAL_BATCH的方式计算出所需执行的max_steps.
另外值得注意的是训练集需要在不同的进程间进行切分；以避免所有进程训练同一份数据造成的过拟合。
示例脚本（请确保你有两张以上GPU卡, 在线模型下载功能在paddle.distributed.launch下无法工作，
你可能需要一个先通过单卡finetune方式下载预训练模型，或者根据这里手动下载并解压预训练模型）:
python3 -m paddle.distributed.launch \
./demo/finetune_classifier_distributed.py \
--data_dir data/mnli \
--max_steps 10000 \
--from_pretrained ernie2.0-en
更多示例脚本:
- 情感分析
- 语义匹配
- 命名实体识别(NER)
- 机器阅读理解 (需要多卡环境运行；参见上面"分布式 finetune"一节)
- 文本摘要生成
- 使用静态图完成文本分类
推荐超参数设置：
| 任务 | batch size | learning rate |
|---|---|---|
| CoLA | 32 / 64 (base) | 3e-5 |
| SST-2 | 64 / 256 (base) | 2e-5 |
| STS-B | 128 | 5e-5 |
| QQP | 256 | 3e-5(base)/5e-5(large) |
| MNLI | 256 / 512 (base) | 3e-5 |
| QNLI | 256 | 2e-5 |
| RTE | 16 / 4 (base) | 2e-5(base)/3e-5(large) |
| MRPC | 16 / 32 (base) | 3e-5 |
| WNLI | 8 | 2e-5 |
| XNLI | 512 | 1e-4(base)/4e-5(large) |
| CMRC2018 | 64 | 3e-5 |
| DRCD | 64 | 5e-5(base)/3e-5(large) |
| MSRA-NER(SIGHAN2006) | 16 | 5e-5(base)/1e-5(large) |
| ChnSentiCorp | 24 | 5e-5(base)/1e-5(large) |
| LCQMC | 32 | 2e-5(base)/5e-6(large) |
| NLPCC2016-DBQA | 64 | 2e-5(base)/1e-5(large) |
| VCR | 64 | 2e-5(base)/2e-5(large) |
请见这里
如果finetune_classifier.py中指定了--inference_model_dir参数，funetune脚本会将你的模型序列化并产出可以直接部署线上预测的inference_model.
关于生产环境中使用线上预测代码的实现细节，请见C++ inference API.
或者你可以使用propeller启动一个多GPU预测服务(需要GPU环境)，只需执行：
python -m propeller.tools.start_server -m /path/to/saved/inference_model -p 8881即可启动预测服务；随后在Python端采用如下命令访问该服务(仅限 python3):
from propeller.service.client import InferenceClient
from ernie.tokenizing_ernie import ErnieTokenizer
client = InferenceClient('tcp://localhost:8881')
tokenizer = ErnieTokenizer.from_pretrained('ernie-1.0')
ids, sids = tokenizer.encode('hello world')
ids = np.expand_dims(ids, 0)
sids = np.expand_dims(sids, 0)
result = client(ids, sids)你也可从此处下载一个预先制作好的ernie-1.0 base模型的 inference_model.
该模型没有经过finetune，一般可以用做上层模型结构的 feature-base finetune或者做为一个文本特征抽取器。
因为该模行由老版API 产出，在进行客户端请求时需要在输入tensor后面追加一个维度：
ids = np.expand_dims(ids, -1) # ids.shape==[BATCH, SEQLEN, 1]知识蒸馏是进行ERNIE模型压缩、加速的有效方式；关于知识蒸馏的实现细节请参见这里。
@article{sun2019ernie,
title={Ernie: Enhanced representation through knowledge integration},
author={Sun, Yu and Wang, Shuohuan and Li, Yukun and Feng, Shikun and Chen, Xuyi and Zhang, Han and Tian, Xin and Zhu, Danxiang and Tian, Hao and Wu, Hua},
journal={arXiv preprint arXiv:1904.09223},
year={2019}
}
@article{sun2019ernie20,
title={ERNIE 2.0: A Continual Pre-training Framework for Language Understanding},
author={Sun, Yu and Wang, Shuohuan and Li, Yukun and Feng, Shikun and Tian, Hao and Wu, Hua and Wang, Haifeng},
journal={arXiv preprint arXiv:1907.12412},
year={2019}
}
@article{xiao2020ernie-gen,
title={ERNIE-GEN: An Enhanced Multi-Flow Pre-training and Fine-tuning Framework for Natural Language Generation},
author={Xiao, Dongling and Zhang, Han and Li, Yukun and Sun, Yu and Tian, Hao and Wu, Hua and Wang, Haifeng},
journal={arXiv preprint arXiv:2001.11314},
year={2020}
}
@article{yu2020ernie,
title={ERNIE-ViL: Knowledge Enhanced Vision-Language Representations Through Scene Graph},
author={Yu, Fei and Tang, Jiji and Yin, Weichong and Sun, Yu and Tian, Hao and Wu, Hua and Wang, Haifeng},
journal={arXiv preprint arXiv:2006.16934},
year={2020}
}
若希望复现 paper 中的所有实验，请切换至本repo的repro分支。
- ERNIE官方主页
- Github Issues: bug reports, feature requests, install issues, usage issues, etc.
- QQ 群: 760439550 (ERNIE discussion group).
- QQ 2群: 958422639 (ERNIE discussion group-v2).
- Forums: discuss implementations, research, etc.