任務(wù)背景

01

情感分析

(Sentiment Analysis)

情感分析旨在對帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理，其廣泛應(yīng)用于消費(fèi)決策、輿情分析、個性化推薦等領(lǐng)域，具有很高的商業(yè)價值。例如：食行生鮮自動生成菜品評論標(biāo)簽輔助用戶購買，并指導(dǎo)運(yùn)營采購部門調(diào)整選品和促銷策略；房天下向購房者和開發(fā)商直觀展示樓盤的用戶口碑情況，并對好評樓盤置頂推薦；國美搭建服務(wù)智能化評分系統(tǒng)，客服運(yùn)營成本減少40%，負(fù)面反饋處理率100%。

02

自然語言處理（NLP）技術(shù)

自然語言處理（英語：Natural Language Process，簡稱NLP）是計算機(jī)科學(xué)、信息工程以及人工智能的子領(lǐng)域，專注于人機(jī)語言交互，探討如何處理和運(yùn)用自然語言。最近幾年，隨著深度學(xué)習(xí)以及相關(guān)技術(shù)的發(fā)展，NLP領(lǐng)域的研究取得一個又一個突破，研究者設(shè)計各種模型和方法，來解決NLP的各類問題，其中比較常見包括LSTM, BERT, GRU, Transformer, GPT等算法模型。

方案簡介

本方案采用PaddleNLP工具套件進(jìn)行模型訓(xùn)練，并基于OpenVINO 開發(fā)套件實現(xiàn)在Intel平臺上的高效能部署。本文將主要分享如何在OpenVINO 開發(fā)套件中“無縫”部署PaddlePaddle BERT模型，并對輸出結(jié)果做驗證。

01

PaddleNLP

PaddleNLP是一款簡單易用且功能強(qiáng)大的自然語言處理開發(fā)庫。聚合業(yè)界優(yōu)質(zhì)預(yù)訓(xùn)練模型并提供開箱即用的開發(fā)體驗，覆蓋NLP多場景的模型庫搭配產(chǎn)業(yè)實踐范例可滿足開發(fā)者靈活定制的需求。

02

OpenVINO 開發(fā)套件

OpenVINO 開發(fā)套件是Intel平臺原生的深度學(xué)習(xí)推理框架，自2018年推出以來，Intel已經(jīng)幫助數(shù)十萬開發(fā)者大幅提升了AI推理性能，并將其應(yīng)用從邊緣計算擴(kuò)展到企業(yè)和客戶端。英特爾于2022年巴塞羅那世界移動通信大會前夕，推出了英特爾 發(fā)行版OpenVINO 開發(fā)套件的全新版本。其中的新功能主要根據(jù)開發(fā)者過去三年半的反饋而開發(fā)，包括更多的深度學(xué)習(xí)模型選擇、更多的設(shè)備可移植性選擇以及更高的推理性能和更少的代碼更改。為了更好地對Paddle模型進(jìn)行支持，新版OpenVINO 開發(fā)套件分別做了一下升級：

■直接支持Paddle格式模型

目前OpenVINO 開發(fā)套件2022.1發(fā)行版中已完成對PaddlePaddle模型的直接支持，OpenVINO 開發(fā)套件的Model Optimizer工具已經(jīng)可以直接完成對Paddle模型的離線轉(zhuǎn)化，同時runtime api接口也可以直接讀取加載Paddle模型到指定的硬件設(shè)備，省去了離線轉(zhuǎn)換的過程，大大提升了Paddle開發(fā)者在Intel平臺上部署的效率。經(jīng)過性能和準(zhǔn)確性驗證，在OpenVINO 開發(fā)套件2022.1發(fā)行版中，會有13個模型涵蓋5大應(yīng)用場景的Paddle模型將被直接支持，其中不乏像PPYolo和PPOCR這樣非常受開發(fā)者歡迎的網(wǎng)絡(luò)。

圖：OpenVINO 開發(fā)套件的MO和IE可以直接支持Paddle模型輸入

■ 全面引入動態(tài)輸入支持

為了適配更廣泛的模型種類，OpenVINO 2022.1版本的CPU Plugin已經(jīng)支持了動態(tài)input shape，讓開發(fā)者以更便捷的方式部署類似NLP或者OCR這樣的網(wǎng)絡(luò)，OpenVINO 開發(fā)套件用戶可以在不需要對模型做reshape的前提下，任意送入不同shape的圖片或者向量作為輸入數(shù)據(jù)，OpenVINO 開發(fā)套件會自動在runtime過程中對模型結(jié)構(gòu)與內(nèi)存空間進(jìn)行動態(tài)調(diào)整，進(jìn)一步優(yōu)化dynamic shape的推理性能。

圖：在NLP中的Dynamic Input Shape

詳細(xì)介紹可以參考：https://docs.openvino.ai/latest/openvino_docs_OV_UG_DynamicShapes.html

BERT原理簡介

01

BERT結(jié)構(gòu)介紹

BERT （Bidirectional Encoder Representations from Transformers）以Transformer 編碼器為網(wǎng)絡(luò)基本組件，使用掩碼語言模型（Masked Language Model）和鄰接句子預(yù)測（Next Sentence Prediction）兩個任務(wù)在大規(guī)模無標(biāo)注文本語料上進(jìn)行預(yù)訓(xùn)練（pre-train），得到融合了雙向內(nèi)容的通用語義表示模型。以預(yù)訓(xùn)練產(chǎn)生的通用語義表示模型為基礎(chǔ)，結(jié)合任務(wù)適配的簡單輸出層，微調(diào)（fine-tune）后即可應(yīng)用到下游的NLP任務(wù)，效果通常也較直接在下游的任務(wù)上訓(xùn)練的模型更優(yōu)。此前BERT即在GLUE評測任務(wù)上取得了SOTA的結(jié)果。

圖：BERT的2階段訓(xùn)練任務(wù)

不難發(fā)現(xiàn)，其模型結(jié)構(gòu)是Transformer的Encoder層，只需要將特定任務(wù)的輸入，輸出插入到Bert中，利用Transformer強(qiáng)大的注意力機(jī)制就可以模擬很多下游任務(wù)。(句子對關(guān)系判斷，單文本主題分類，問答任務(wù)(QA)，單句貼標(biāo)簽(命名實體識別))，BERT的訓(xùn)練過程可以分成預(yù)訓(xùn)練和微調(diào)兩部分組成。

02

預(yù)訓(xùn)練任務(wù)（Pre-training）

BERT是一個多任務(wù)模型，它的任務(wù)是由兩個自監(jiān)督任務(wù)組成，即MLM和NSP。

■Task #1：Masked Language Model

所謂MLM是指在訓(xùn)練的時候隨即從輸入預(yù)料上mask掉一些單詞，然后通過的上下文預(yù)測該單詞，該任務(wù)非常像我們在中學(xué)時期經(jīng)常做的完形填空。正如傳統(tǒng)的語言模型算法和RNN匹配那樣，MLM的這個性質(zhì)和Transformer的結(jié)構(gòu)是非常匹配的。

■Task #2: Next Sentence Prediction

Next Sentence Prediction（NSP）的任務(wù)是判斷句子B是否是句子A的下文。如果是的話輸出’IsNext‘，否則輸出’NotNext‘。訓(xùn)練數(shù)據(jù)的生成方式是從平行語料中隨機(jī)抽取的連續(xù)兩句話，其中50%保留抽取的兩句話，它們符合IsNext關(guān)系，另外50%的第二句話是隨機(jī)從預(yù)料中提取的，它們的關(guān)系是NotNext的。

微調(diào)任務(wù) （Fine-tuning）

在海量單預(yù)料上訓(xùn)練完BERT之后，便可以將其應(yīng)用到NLP的各個任務(wù)中了。以下展示了BERT在11個不同任務(wù)中的模型，它們只需要在BERT的基礎(chǔ)上再添加一個輸出層便可以完成對特定任務(wù)的微調(diào)。這些任務(wù)類似于我們做過的文科試卷，其中有選擇題，簡答題等等。微調(diào)的任務(wù)包括：

■基于句子對的分類任務(wù)

■基于單個句子的分類任務(wù)

■問答任務(wù)

■命名實體識別

圖：BERT的4大下游微調(diào)任務(wù)

訓(xùn)練與部署流程

本示例包含PaddleNLP訓(xùn)練和OpenVINO 開發(fā)套件部署兩部分組成。

01

環(huán)境安裝

打開命令行終端，分別輸入以下命令，完成本地環(huán)境安裝和配置。

1.1安裝PaddlePaddle (AI studio環(huán)境中可以略過)

如果是CPU訓(xùn)練環(huán)境需要執(zhí)行以下命令進(jìn)行安裝：

如果是GPU訓(xùn)練環(huán)境需要執(zhí)行以下命令進(jìn)行安裝：

1.2安裝PaddleNLP與相關(guān)依賴

下載PaddleNLP：

安裝PaddleNLP相關(guān)依賴：

1.3安裝OpenVINO 開發(fā)套件

02

訓(xùn)練部分

訓(xùn)練部分是BERT在 Paddle 2.0上的開源實現(xiàn)，可以分為數(shù)據(jù)準(zhǔn)備，BERT Encoder預(yù)訓(xùn)練，SST2情感分類任務(wù)微調(diào)以及推理模型導(dǎo)出這四個步驟。

可以參考Paddle官方的案例說明，對以下過程做了簡要匯總，地址：

https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/bert

圖：Paddle BERT模型訓(xùn)練流程

除此之外，我們也可以借助Paddle AI studio直接運(yùn)行訓(xùn)練腳本(無腦點(diǎn)擊運(yùn)行就可以了: ))，鏈接如下：

https://aistudio.baidu.com/aistudio/projectdetail/4193790?contributionType=1

2.1步驟一：數(shù)據(jù)準(zhǔn)備（可略過）

PaddleNLP中BERT任務(wù)下自帶的create_pretraining_data.py 是創(chuàng)建預(yù)訓(xùn)練程序所需數(shù)據(jù)的腳本。其以文本文件（使用換行符換行和空白符分隔，data目錄下提供了部分示例數(shù)據(jù)）為輸入，經(jīng)由BERT tokenizer進(jìn)行tokenize后再做生成sentence pair正負(fù)樣本、掩碼token等處理，最后輸出hdf5格式的數(shù)據(jù)文件。使用方式如下，在命令行輸入：

2.2步驟二：GPU訓(xùn)練(可略過)

使用paddle.distributed.launch配置項運(yùn)行run_pretrain.py訓(xùn)練腳本，可以在多卡GPU環(huán)境下啟動BERT預(yù)訓(xùn)練任務(wù)。命令行指令如下：

■model_type指示了模型類型，使用BERT模型時設(shè)置為bert即可。

■model_name_or_path指示了某種特定配置的模型，對應(yīng)有其預(yù)訓(xùn)練模型和預(yù)訓(xùn)練時使用的 tokenizer。若模型相關(guān)內(nèi)容保存在本地，這里也可以提供相應(yīng)目錄地址。

■input_dir表示輸入數(shù)據(jù)的目錄，該目錄下所有文件名中包含training的文件將被作為訓(xùn)練數(shù)據(jù)。output_dir 表示模型的保存目錄。

2.3步驟三：模型Fine-tunning

如果自己沒有準(zhǔn)備訓(xùn)練數(shù)據(jù)集的話，也可以跳過前面的步驟，直接使用huggingface提供的預(yù)訓(xùn)練模型進(jìn)行Fine-tuning，以GLUE中的SST-2任務(wù)為例，該腳本會自動下載SST-2任務(wù)中所需要的英文數(shù)據(jù)集，啟動Fine-tuning的方式如下：

■model_name_or_path指示了某種特定配置的模型，對應(yīng)有其預(yù)訓(xùn)練模型和預(yù)訓(xùn)練時使用的 tokenizer。若模型相關(guān)內(nèi)容保存在本地，這里也可以提供相應(yīng)目錄地址。注：bert-base-uncased等對應(yīng)使用的預(yù)訓(xùn)練模型轉(zhuǎn)自huggingface/transformers

可以看到啟動Fine-tuning任務(wù)以后，腳本會自動下載bert-base-uncased預(yù)訓(xùn)練模型，以及用于Fine-tuning的bert-base-uncased-vocab.txt數(shù)據(jù)集。

當(dāng)訓(xùn)練任務(wù)到達(dá)預(yù)先設(shè)定的step輪數(shù)以后，便會停止訓(xùn)練，并且將.pdparam格式的模型權(quán)重保存在tmp目錄下。

2.4步驟四：模型導(dǎo)出

在Fine-tuning完成后，我們可以使用如下方式導(dǎo)出希望用來預(yù)測的Paddle靜態(tài)模型，并保存在infer_model路徑下：

導(dǎo)出后的模型文件包含以下內(nèi)容時，推理時需要保證這三個文件在同一個目錄下：

model.pdmodel, model.pdiparams.info, model.pdiparams

圖：導(dǎo)出后的Paddle BERT靜態(tài)模型文件

03

部署部分

該示例將基于OpenVINO 開發(fā)套件進(jìn)行Paddle的靜態(tài)模型部署，需要開發(fā)者提前準(zhǔn)備好用于做部署的Intel平臺硬件，可以是個人電腦，也可以是云服務(wù)器虛機(jī)。整體流程可以分為以下幾個步驟：

圖：BERT模型部署流程

對于情感分析任務(wù)，BERT網(wǎng)絡(luò)的識別流程可以分成以下幾個步驟：

■ 輸入語句文本，并轉(zhuǎn)為相應(yīng)的Token ID

■ 為每一行Token ID添加Padding，使其保持長度一致

■ Token ID作為輸入數(shù)據(jù)送入BERT模型進(jìn)行推理 (模型內(nèi)流程邏輯參考下圖)，通過Embedding Layer將一個詞映射成為固定維度的稠密向量，降維后的向量會再通過Encoder提取Self-attentions后的向量間的關(guān)系特征，最后經(jīng)過Classifier對情感分類任務(wù)做出判斷。

■ 獲取模型結(jié)果數(shù)據(jù)，通過后處理函數(shù)，計算分類標(biāo)簽與每一類標(biāo)簽的置信度

圖：BERT for SST2模型內(nèi)部邏輯

BERT for SST2的輸入的編碼向量（長度不固定）是2個嵌入特征的單位和，這2個詞嵌入特征是：

■ input_ids：輸入文本被轉(zhuǎn)化為token后的單個字的id；

■ segment_ids：就是句子級別（上下句）的標(biāo)簽，用于區(qū)分兩個句子，例如B是否是A的下文（對話場景，問答場景等）。由于在情感分析任務(wù)中沒有下句，所以這里segment_ids為全部為0的向量。

3.1步驟一：文本Token表示

定義數(shù)據(jù)轉(zhuǎn)換模塊，將原始的輸入語句轉(zhuǎn)化為input_ids與segment_ids，作為輸入數(shù)據(jù)。這邊我們將會使用PaddleNLP自帶的tokenizer()方法進(jìn)行轉(zhuǎn)換。

3.2步驟二：Padding

需要保證input_ids與segment_ids數(shù)組在axis0方向的長度一致，由于這邊input_ids與segment_ids均為一維數(shù)組，所以也可以不進(jìn)行該操作。

3.3步驟三：模型推理

部署代碼里最核心的部分就是要定義基于OpenVINO 開發(fā)套件的預(yù)測器，這里使用CPU作為模型的部署平臺，可以看到通過read_model這個函數(shù)接口我們可以直接讀取原始的.pdmodel格式模型，省去了之前繁雜的離線轉(zhuǎn)化過程。此外我們需要通過compile_model這個函數(shù)講讀取后的模型在指定的硬件平臺進(jìn)行加載和編譯。最后創(chuàng)建infer_request推理請求進(jìn)行推理任務(wù)部署。

由于輸入語句的長度往往不一致，這也導(dǎo)致編碼后的向量長度也不一致，這里OpenVINO 開發(fā)套件CPU Plugin的支持上已經(jīng)全面引入了Dynamic Shape功能，無需再手動調(diào)整輸入數(shù)據(jù)的長度，OpenVINO 開發(fā)套件會在runtime過程中自動匹配并動態(tài)申請一定的內(nèi)存空間進(jìn)行推理，優(yōu)化性能表現(xiàn)。

由于新版OpenVINO 開發(fā)套件已經(jīng)全面支持Intel 12代酷睿處理器，為了取得更佳的推理性能，我們建議使用最新的硬件平臺進(jìn)行測試。

3.4步驟四：結(jié)果后處理

此處得到的結(jié)果數(shù)據(jù)為兩種不同評價的可能性，我們需要將其通過softmax函數(shù)還原成百分比形式，并且找到可能性最大的那個評價序號所對應(yīng)的標(biāo)簽（Positive，Negative）。

最后我們找一組測試語句作為輸入數(shù)據(jù)，將其封裝成List以后，送入到識別器中進(jìn)行識別，可以發(fā)現(xiàn)結(jié)果都是符合我們的先驗預(yù)期的。

該示例程序可以可以準(zhǔn)確按SST2情感二分類任務(wù)要求，輸出每段輸入語句的分類情感標(biāo)簽，并獲得每種情感對應(yīng)的參考置信度。

小結(jié)

作為發(fā)布至今近4年以來最大的一次更新，OpenVINO 2022.1版本為了更好地支持NLP與語音相關(guān)的模型，在CPU plugin中已全面支持了動態(tài)input shape，并通過與百度PaddlePaddle框架的深度集成，用更便捷的API接口，更豐富的模型支持，提升雙方開發(fā)者在模型部署側(cè)的使用體驗，真正實現(xiàn)對PaddleNLP模型的“無縫”轉(zhuǎn)化與部署。

通過本次的全流程示例，我們看到OpenVINO 開發(fā)套件對Paddle BERT模型已經(jīng)做到了很好的適配，從而加速在Intel平臺上的推理。以下github repository中已為大家提前準(zhǔn)備好了OpenVINO 開發(fā)套件部署的參考實現(xiàn)與.pdmodel格式的BERT預(yù)訓(xùn)練模型。

https://github.com/OpenVINO-dev-contest/openvino_notebooks/tree/PaddleBert/notebooks/005-hello-paddle-nlp

除此之外，為了方便大家了解并快速掌握OpenVINO 開發(fā)套件的使用，我們還提供了一系列開源的Jupyter notebook demo。運(yùn)行這些notebook，就能快速了解在不同場景下如何利用OpenVINO 開發(fā)套件實現(xiàn)一系列、包括OCR在內(nèi)的、計算機(jī)視覺及自然語言處理任務(wù)。OpenVINO notebooks的資源可以在Github這里下載安裝：

https://github.com/openvinotoolkit/openvino_notebooks

審核編輯 ：李倩