当前位置: 首页 > article >正文

PaddleNLP 的文本分类项目

以下是一个基于 PaddleNLP 的文本分类项目,按照标准工程结构组织,并包含测试数据集和完整流程。这个示例使用ERNIE模型处理IMDB电影评论情感分析任务。

项目工程结构

ernie_sentiment_analysis/
├── data/                  # 数据集目录
│   ├── train.csv          # 训练数据
│   ├── dev.csv            # 验证数据
│   └── test.csv           # 测试数据
├── configs/               # 配置文件
│   └── train_config.json  # 训练参数配置
├── src/                   # 源代码
│   ├── data_loader.py     # 数据加载与处理
│   ├── model.py           # 模型定义
│   ├── train.py           # 训练脚本
│   ├── evaluate.py        # 评估脚本
│   └── predict.py         # 预测脚本
├── utils/                 # 工具函数
│   ├── logger.py          # 日志工具
│   └── metrics.py         # 评估指标
├── output/                # 模型输出目录
│   └── ernie_model/       # 保存的模型文件
├── inference/             # 推理模型
│   └── model/             # 导出的推理模型
├── requirements.txt       # 依赖包
└── README.md              # 项目说明

测试数据集示例

data/test.csv(电影评论情感分析):

text,label
This movie is really amazing! I love it.,1
The plot is so boring and the acting is terrible.,0
Best film I've seen this year. Highly recommended.,1
Waste of time and money. Avoid this film.,0

核心代码实现

1. 数据加载与处理 (src/data_loader.py)
import pandas as pd
import paddle
from paddlenlp.datasets import load_dataset
from paddlenlp.transformers import ErnieTokenizer
from paddlenlp.data import Stack, Tuple, Paddef read_csv(data_path):df = pd.read_csv(data_path)for _, row in df.iterrows():yield {'text': row['text'], 'label': row['label']}def get_dataloader(data_path, tokenizer, batch_size=32, max_seq_len=128, shuffle=False):# 加载数据集dataset = load_dataset(read_csv, data_path=data_path, lazy=False)# 数据处理函数def convert_example(example):encoded_inputs = tokenizer(text=example['text'],max_seq_len=max_seq_len,pad_to_max_seq_len=True)return {'input_ids': encoded_inputs['input_ids'],'token_type_ids': encoded_inputs['token_type_ids'],'labels': example['label']}# 转换数据集dataset = dataset.map(convert_example)# 批量处理batchify_fn = lambda samples, fn=Tuple(Pad(axis=0, pad_val=tokenizer.pad_token_id),  # input_idsPad(axis=0, pad_val=tokenizer.pad_token_type_id),  # token_type_idsStack(dtype="int64")  # labels): fn(samples)# 创建数据加载器dataloader = paddle.io.DataLoader(dataset=dataset,batch_size=batch_size,shuffle=shuffle,collate_fn=batchify_fn)return dataloader
2. 模型定义 (src/model.py)
from paddlenlp.transformers import ErnieForSequenceClassificationdef create_model(num_classes, pretrained_model="ernie-1.0"):model = ErnieForSequenceClassification.from_pretrained(pretrained_model,num_classes=num_classes)return model
3. 训练脚本 (src/train.py)
import os
import json
import paddle
from paddlenlp.transformers import ErnieTokenizer
from data_loader import get_dataloader
from model import create_model
from utils.logger import setup_logger
from utils.metrics import compute_metrics# 加载配置
with open('../configs/train_config.json', 'r') as f:config = json.load(f)# 设置日志
logger = setup_logger('train')# 初始化设备
device = paddle.set_device('gpu' if paddle.is_available() else 'cpu')# 加载分词器和模型
tokenizer = ErnieTokenizer.from_pretrained(config['pretrained_model'])
model = create_model(num_classes=2, pretrained_model=config['pretrained_model'])
model.to(device)# 数据加载
train_dataloader = get_dataloader(data_path='../data/train.csv',tokenizer=tokenizer,batch_size=config['batch_size'],max_seq_len=config['max_seq_len'],shuffle=True
)dev_dataloader = get_dataloader(data_path='../data/dev.csv',tokenizer=tokenizer,batch_size=config['batch_size'],max_seq_len=config['max_seq_len']
)# 优化器和损失函数
optimizer = paddle.optimizer.AdamW(learning_rate=config['learning_rate'],parameters=model.parameters()
)
criterion = paddle.nn.CrossEntropyLoss()# 训练循环
for epoch in range(config['epochs']):model.train()total_loss = 0for batch in train_dataloader:input_ids, token_type_ids, labels = batchinput_ids = input_ids.to(device)token_type_ids = token_type_ids.to(device)labels = labels.to(device)logits = model(input_ids, token_type_ids)loss = criterion(logits, labels)loss.backward()optimizer.step()optimizer.clear_grad()total_loss += loss.item()# 验证model.eval()predictions, labels = [], []with paddle.no_grad():for batch in dev_dataloader:input_ids, token_type_ids, label = batchinput_ids = input_ids.to(device)token_type_ids = token_type_ids.to(device)logits = model(input_ids, token_type_ids)pred = paddle.argmax(logits, axis=1)predictions.extend(pred.cpu().numpy())labels.extend(label.cpu().numpy())metrics = compute_metrics(predictions, labels)logger.info(f'Epoch [{epoch+1}/{config["epochs"]}]')logger.info(f'Train Loss: {total_loss/len(train_dataloader):.4f}')logger.info(f'Dev Metrics: {metrics}')# 保存模型model.save_pretrained(os.path.join('../output/ernie_model', f'epoch_{epoch+1}'))tokenizer.save_pretrained(os.path.join('../output/ernie_model', f'epoch_{epoch+1}'))
4. 评估脚本 (src/evaluate.py)
import paddle
from paddlenlp.transformers import ErnieTokenizer
from data_loader import get_dataloader
from model import create_model
from utils.metrics import compute_metrics# 加载模型和分词器
model = create_model(num_classes=2)
model.set_state_dict(paddle.load('../output/ernie_model/best_model/model_state.pdparams'))
tokenizer = ErnieTokenizer.from_pretrained('../output/ernie_model/best_model')# 加载测试数据
test_dataloader = get_dataloader(data_path='../data/test.csv',tokenizer=tokenizer,batch_size=32
)# 评估
model.eval()
predictions, labels = [], []
with paddle.no_grad():for batch in test_dataloader:input_ids, token_type_ids, label = batchlogits = model(input_ids, token_type_ids)pred = paddle.argmax(logits, axis=1)predictions.extend(pred.numpy())labels.extend(label.numpy())# 计算指标
metrics = compute_metrics(predictions, labels)
print(f'Test Metrics: {metrics}')
5. 预测脚本 (src/predict.py)
import paddle
from paddlenlp.transformers import ErnieTokenizer
from model import create_modeldef predict(text, model, tokenizer, max_seq_len=128):model.eval()encoded_inputs = tokenizer(text=text,max_seq_len=max_seq_len,pad_to_max_seq_len=True,return_tensors='pd')with paddle.no_grad():logits = model(encoded_inputs['input_ids'], encoded_inputs['token_type_ids'])probs = paddle.nn.functional.softmax(logits, axis=1)pred = paddle.argmax(probs, axis=1).item()confidence = probs[0][pred].item()sentiment = 'Positive' if pred == 1 else 'Negative'return {'text': text,'sentiment': sentiment,'confidence': confidence}# 加载模型和分词器
model = create_model(num_classes=2)
model.set_state_dict(paddle.load('../output/ernie_model/best_model/model_state.pdparams'))
tokenizer = ErnieTokenizer.from_pretrained('../output/ernie_model/best_model')# 示例预测
text = "This movie is absolutely fantastic! I can't wait to watch it again."
result = predict(text, model, tokenizer)
print(f"预测结果: {result}")

配置文件示例 (configs/train_config.json)

{"pretrained_model": "ernie-1.0","batch_size": 32,"max_seq_len": 128,"learning_rate": 2e-5,"epochs": 3,"save_dir": "../output/ernie_model"
}

测试数据集生成脚本

import pandas as pd# 示例数据
data = {'text': ["This movie is really amazing! I love it.","The plot is so boring and the acting is terrible.","Best film I've seen this year. Highly recommended.","Waste of time and money. Avoid this film.","The special effects are incredible, but the story is weak.","I couldn't stop laughing. Great comedy!","Terrible. Don't waste your time.","A masterpiece. Definitely worth watching."],'label': [1, 0, 1, 0, 0, 1, 0, 1]
}# 创建DataFrame
df = pd.DataFrame(data)# 划分训练集、验证集和测试集
train_df = df.iloc[:5]
dev_df = df.iloc[5:7]
test_df = df.iloc[7:]# 保存到CSV
train_df.to_csv('data/train.csv', index=False)
dev_df.to_csv('data/dev.csv', index=False)
test_df.to_csv('data/test.csv', index=False)print("数据集生成完成!")

使用说明

  1. 安装依赖

    pip install -r requirements.txt
    
  2. 训练模型

    python src/train.py
    
  3. 评估模型

    python src/evaluate.py
    
  4. 预测新文本

    python src/predict.py
    

扩展建议

  1. 添加更多任务:如命名实体识别、文本生成等。
  2. 增加模型选择:支持BERT、RoBERTa等不同预训练模型。
  3. 添加早停和模型选择:根据验证集性能自动选择最佳模型。
  4. 添加超参数调优:集成optuna等工具进行超参数搜索。

这个项目结构清晰,模块化程度高,便于扩展和维护,可以作为NLP项目的基础框架。

http://www.lryc.cn/news/2392040.html

相关文章:

  • git 一台电脑一个git账户,对应多个仓库ssh
  • node-DeepResearch开源ai程序用于深入调查查询,继续搜索、阅读网页、推理,直到找到答案
  • Asp.Net Core 托管服务
  • Dockerfile 编写经验:优化大小与效率
  • JMeter 是什么
  • 压测服务器和线上环境的区别
  • C#、C++、Java、Python 选择哪个好
  • OpenGL Chan视频学习-8 How I Deal with Shaders in OpenGL
  • 机器学习课程设计报告 —— 基于口红数据集的情感分析
  • Windows安装Docker部署dify,接入阿里云api-key进行rag测试
  • Dify中 SYSTEM, USER, ASSISTANT 的关系、职责与使用方法
  • 斗地主游戏出牌逻辑用Python如何实现
  • ST-GCN
  • 【ArcGIS Pro草履虫大师】空间地图系列
  • 1. 数据结构基本概念 (1)
  • 海思3519V200 上基于 Qt 的 OpenCV 和 MySql 配置开发
  • php 设计模式详解
  • 函数抓取图片microsoft excel与wps的区别
  • openpi π₀ 项目部署运行逻辑(三)——策略推理服务器 serve_policy.py
  • WEB3—— 简易NFT铸造平台(ERC-721)-入门项目推荐
  • 基于vue框架的独居老人上门护理小程序的设计r322q(程序+源码+数据库+调试部署+开发环境)带论文文档1万字以上,文末可获取,系统界面在最后面。
  • Android 15 控制亮屏灭屏接口实现
  • 【前端】Hexo一键生成目录插件推荐_放入Hexo博客
  • 每日一题——提取服务器物料型号并统计出现次数
  • 宫格导航--纯血鸿蒙组件库AUI
  • RNN 循环神经网络:原理与应用
  • React---day2
  • 若依框架 账户管理 用户分配界面解读
  • 文档贡献 | 技术文档贡献流程及注意事项(保姆级教程)
  • open-vscode-server +nodejs 安装