可直訓ChatGPT類模型！華師大、NUS開源HugNLP框架：一鍵刷榜，全面統一NLP訓練

作者：新智元 2023-05-24 15:04:08

人工智能新聞

一站式NLP工具箱，你想要的全都有！

近日，華師大HugAILab團隊研發了HugNLP框架，這是一個面向研究者和開發者的全面統一的NLP訓練框架，可支持包括文本分類、文本匹配、問答、信息抽取、文本生成、小樣本學習等多種NLP任務模型搭建和訓練。

開源地址：https://github.com/HugAILab/HugNLP

論文：https://arxiv.org/abs/2302.14286

值得注意的是，HugNLP還集成了大量最新的Prompt技術，例如Prompt-Tuning、In-Context Learning、Instruction-tuning，未來還將引入Chain-of-thought

HugAILab團隊還研發了一系列的應用，例如CLUE&GLUE刷榜工具，可支持ChatGPT類模型訓練和部署產品HugChat，以及統一信息抽取產品HugIE等。

HugNLP是一個分層式框架，遵循“高內聚低耦合”的開發模式，其核心包括模型層（Models）、處理器層（Processors）、評估器層（Evaluators）和應用層（Applications）四部分。

框架圖如下所示：

模型層：包含模型部分，主要按照任務類型進行劃分；
處理器層：對數據進行加載、緩存、分詞等處理，并轉換為模型輸入的Tensor；
評估器層：根據不同類型的任務（分類或生成），指定不同的評估流程和評價指標；
應用層：對應的應用執行腳本。理論上來說，選定一個模型、一個數據處理器以及一個評估器，即可對應一個應用。

HugNLP完全基于HuggingFace開發，具有易擴展、易部署能力，同時集成了MLFlow訓練追蹤器，方便使用者及時追蹤實驗進度，并進行實驗分析。

HugNLP框架之所以稱為全面，是因為其集成了大量的NLP任務模型，目前已經實現的包括：

預訓練：Masked LM、Causal LM、知識增強預訓練；
Instruction-Tuning：支持自回歸生成式、區間抽取式、NLI等統一范式訓練；
文本分類/匹配：傳統Fine-tuning、Prompt-tuning、In-Context Learning；
序列標注：支持NER等序列標注任務；
元學習：基于序列的元學習（SentenceProto）、基于區間的元學習（SpanProto）、基于token的元學習（TokenProto，NNShot）；
問答：支持抽取式問答、多項選擇式問答、開放生成式問答；
文本生成：支持文本摘要、機器翻譯（正在開發中）；
代碼智能：目前集成了代碼克隆檢測（Clone）、代碼缺陷檢測（Defact）等Code任務；

快速部署HugNLP框架，只需要執行代碼三行命令即可：

git clone https://github.com/HugAILab/HugNLP.git
cd HugNLP
python3 setup.py install

下面介紹HugNLP的幾個核心能力：

Benchmark一鍵刷榜；
預訓練和知識注入；
Fine-tuning & Prompt-tuning；
Instruction-tuning；
In-Context Learning；
半監督Self-training；
Code代碼智能；

一、Benchmark一鍵刷榜

HugNLP最先開發了面向一些常用榜單的刷榜工具，例如GLUE、CLUE等。用戶只需要配置相應的數據集名稱，即可實現一鍵刷榜。

為了驗證框架的有效性，在22年9月提交了CLUE榜單的刷榜結果，選擇一系列中文小模型（RoBERTa、MacBERT、P-BERT等）并結合了logits集成方法，至今依然維持在第15名位置，曾一度超越了部分企業。

例如如果訓練CLUE榜單的AFQMC數據集，可編輯文件

applications/benchmark/clue/clue_finetune_dev.sh

修改參數：

--user_defined="data_name=afqmc"

執行下列命令即可：

bash applications/benchmark/clue/clue_finetune_dev.sh

同樣的方法還可以訓練一些常用的NLP任務，例如閱讀理解、實體識別、以及GLUE英文數據集等。

HugNLP還集成了一系列模型用于刷榜，例如BERT、RoBERTa、DeBERTa、MacBERT、Erlangshen等。

二、預訓練與知識注入

傳統的一些預訓練模型（例如BERT、GPT2等）是在通用語料上訓練的，而對領域事實知識可能不敏感，因此需要顯式的在預訓練階段注入事實知識。

在HugNLP中，主要實現了幾個知識增強預訓練，包括DKPLM和KP-PLM。DKPLM是一種可分解的知識注入方法；KP-PLM則是將結構化知識轉化為自然語言描述的形式進行注入。這些知識注入的方法是可插拔式的，因此無需修改模型結構，很容易用于下游任務的微調。

執行下面命令即可進行Masked Language Modeling和Causal Language Modeling的預訓練：

bash applications/pretraining/run_pretrain_mlm.sh
bash applications/pretraining/run_pretrain_casual_lm.sh

三、 Fine-tuning & Prompt-Tuning

基于預訓練語言模型的NLP，通常遵循Pre-training和Fine-tuning范式。HugNLP也包含Fine-tuning技術。

3.1 參數有效性學習

HugNLP集成了包括Prefix-tuning、Adapter、BitFit、LoRA等參數有效性訓練方法，可以加速模型的訓練，降低顯存占用量。

在訓練腳本中，只需要添加一行參數，即可開啟參數有效性訓練：

--use_freezing

對于參數有效性方法，HugNLP實現了若干類別的分類模型，如下所示：

CLASSIFICATION_MODEL_CLASSES = {
     "head_prefix_cls": {
         "bert": BertPrefixForSequenceClassification,
         "roberta": RobertaPrefixForSequenceClassification,
     },
     "head_ptuning_cls": {
         "bert": BertPtuningForSequenceClassification,
         "roberta": RobertaPtuningForSequenceClassification,
     },
     "head_adapter_cls": {
         "bert": BertAdapterForSequenceClassification,
         "roberta": RobertaAdapterForSequenceClassification,
     },
     "masked_prompt_cls": {
         "bert": PromptBertForSequenceClassification,
         "roberta": PromptRobertaForSequenceClassification,
     }, 
     "masked_prompt_prefix_cls": {
         "bert": PromptBertPrefixForSequenceClassification,
         "roberta": PromptRobertaPrefixForSequenceClassification,
     },
     "masked_prompt_ptuning_cls": {
         "bert": PromptBertPtuningForSequenceClassification,
         "roberta": PromptRobertaPtuningForSequenceClassification,
     },
     "masked_prompt_adapter_cls": {
         "bert": PromptBertAdapterForSequenceClassification,
         "roberta": PromptRobertaAdapterForSequenceClassification,
     },
 }

只需要指定下面參數即可，例如選擇adapter進行分類：

--task_type=head_adapter_cls

3.2 對抗訓練：引入對Embedding的擾動，提高模型的魯棒性

HugNLP框架集成了若干種對抗訓練的方法，其中最簡單的對抗方法為FGM算法：

首先計算輸入樣本（通常為word embedding）的損失函數以及在處的梯度：；
計算在輸入樣本的擾動量：，其中為超參數，默認取1.0；
得到對抗樣本：；
根據得到的對抗樣本，再次喂入模型中，計算損失，并累積梯度；
恢復原始的word embedding，接著下一個batch。

在訓練時，只需要添加一行參數，即可默認調用FGM算法：

--do_adv

3.3 Prompt-tuning：通過模板來復用預訓練目標

傳統的Fine-tuning在低資源場景下容易出現過擬合問題，因此復用預訓練的目標可以拉近Pre-training和Fine-tuning之間的語義差異。

HugNLP集成了PET、P-tuning、Prefix-tuning等Prompt-Tuning算法，并無縫嵌入在NLP分類任務的模型里。

在訓練時，只需要指定下面兩個參數，即可以開啟Prompt-tuning模式，例如選擇p-tuning算法：

--task_type=masked_prompt_ptuning_cls
--use_prompt_for_cls

四、Instruction-tuning

在大模型時代，如何將不同類型的NLP任務進行范式統一，是構造通用人工智能的核心要素。HugNLP為此定義了三種統一范式的思想：

萬物皆可生成：將所有NLP任務建模為單向自回歸生成，例如GPT-3、ChatGPT等；
萬物皆可抽取：將所有NLP任務建模為抽取式機器閱讀理解；
萬物皆可推斷：將所有NLP任務建模為自然語言推斷；

基于三種不同的范式統一，HugNLP推出兩個核心產品，分別是：

HugChat：基于生成式Instruction的中小型ChatGPT類模型；
HugIE：基于抽取式Instruction的統一信息抽取框架；

4.1 HugChat：基于Causal Language Modeling的生成式對話模型

最近ChatGPT火爆全球，為了讓研究者可以訓練自己的ChatGPT，HugNLP框架集成了基于生成式Instruction的訓練產品——HugChat，其支持各種類型的單向生成式模型的訓練，例如GPT-2、GPT-Neo、OPT、GLM、LLaMA等。

在8張V100 32G的條件下，可訓練OPT-13B大模型。HugAILab團隊開源了約200萬條英文、300萬條中文對話數據，用于訓練模型。例如訓練GPT-2（XL），可直接執行腳本：

bash ./application/instruction_prompting/HugChat/supervised_finetuning/run_causal_instruction_gpt2_xl.sh

基于HugNLP，訓練的GPT-2（1.3B）模型，即可實現很簡單的對話任務。只需要執行如下命令即可玩轉HugChat：

python3 applications/instruction_prompting/HugChat/hugchat.py

例如可以寫套磁信郵件：

再例如搜索谷歌地球的相關信息：

也可以實現編寫簡單的代碼（1.3B的模型具備此能力已經很驚嘆了！）：

HugNLP目前正在開發其他類型的Decoder-only大模型，相關信息和開源內容如下表所示：

HugChat后期將推出垂直領域的大模型解決方案，同時將與OpenAI API進行融合，推出大模型服務框架。

4.2 HugIE：基于Global Pointer的統一信息抽取框架

信息抽取（Information Extraction）旨在從非結構化的文本中抽取出結構化信息，是構建知識庫的重要步驟之一。通常信息抽取包括兩個核心步驟，分別是命名實體識別（Named Entity Recognition）和關系抽取（Relation Extraction）。

我們基于HugNLP研發一款HugIE產品，旨在實現統一信息處理。其主要核心包括如下幾個部分：

將實體識別和關系抽取，統一為新的范式——基于抽取式閱讀理解的方法。HugIE采用Global Pointer模型實現信息抽取；
定義Instruction Prompt，指導模型生成需要抽取的內容；
采用多任務訓練的方法訓練；

HugIE目前已經開源了模型：https://huggingface.co/wjn1996/wjn1996-hugnlp-hugie-large-zh 可以基于HugNLP框架使用HugIE抽取模型，如下圖所示：

五、In-Context Learning

In-Context Learning（ICL）首次由GPT-3提出，其旨在挑選少量的標注樣本作為提示（Prompt），從而在形式上促使大模型生成目標答案。ICL的優勢在于無需對參數進行更新，即可實現驚艷的效果。

HugNLP框架集成了ICL，主要涉及到樣本的挑選和預測結果的校準兩個部分：

樣本挑選：默認為從訓練集中隨機挑選樣本，后期將會開發一系列樣本挑選的算法，例如聚類、K近鄰、余弦相似度等；
預測校準：由于所挑選標注樣本與待預測樣本存在分布差異，需要對預測的概率分布進行校準，這里采用Calibrate Before Use方法，如下圖，可以對預測分布進行校準，提高預測效果。

目前ICL已經集成在HugNLP里，只需要指定下面參數即可：

--user_defined="data_name=xxx num_incontext_example=4 l=1 use_calibrate=True"
--use_prompt_for_cls

六、半監督Self-training

半監督旨在同時結合標注數據和無標簽數據來訓練NLP任務。Self-training是一種簡單但有效的迭代式訓練方法，其通過Teacher模型先獲取偽標簽，對偽標簽進行去噪后，再訓練Student模型。傳統的Self-training會引入大量噪聲，從而降低訓練的效果。

為了提高性能，HugNLP引入成熟的Uncertainty-aware Self-training技術。框架圖如下所示：

其采用了來自貝葉斯推斷中的MC Dropout技術，即對Teacher模型執行次推理，每次推理開啟Dropout開關，從而得到若干與Teacher模型滿足獨立同分布的模型預測。

基于這些預測結果，可以通過信息熵的變化量得到Teacher模型對無標簽數據的不確定性量化指標（即BALD算法），核心公式如下：

進行多次DC Dropout的代碼實現如下（詳見hugnlp_trainer.py）：

y_T = list()
for i in tqdm(range(T)):
     y_pred = []
     for step, inputs in enumerate(unlabeled_dataloader):
         _, logits, __ = self.prediction_step(model, inputs, prediction_loss_only, ignore_keys=ignore_keys)
         y_pred.extend(logits.detach().cpu().numpy().tolist())
     predict_proba = torch.softmax(torch.Tensor(y_pred).to(logits.device), -1)
     y_T.append(predict_proba.detach().cpu().numpy().tolist())
 y_T = np.array(y_T)
#compute mean
 y_mean = np.mean(y_T, axis=0)
BALD算法實現如下：
def get_BALD_acquisition(y_T):
  expected_entropy = - np.mean(np.sum(y_T * np.log(y_T + 1e-10), axis=-1), axis=0)
  expected_p = np.mean(y_T, axis=0)
  entropy_expected_p = - np.sum(expected_p * np.log(expected_p + 1e-10), axis=-1)
  return (entropy_expected_p - expected_entropy)

HugNLP使用半監督模式，只需要做兩件事：

（1）執行腳本時添加參數：

--use_semi

（2）在指定的數據集目錄下，存放unlabeled data文件。

七、其他更豐富的應用

目前HugNLP還開發了很多應用如下所示：還有更多豐富的應用正在開發中。HugNLP也歡迎有志之士加入HugAILab參與開源開發工作。

責任編輯：張燕妮來源：新智元

工具 AI