[TOC]
这是首届知乎看山杯冠军init的解决方案，关于参赛方法，请参阅知乎专栏的文章
本程序基于PyTorch，需要从官网下载指定版本的PyTorch（2.7，CUDA）. 我用的版本0.1.12.2,现在0.2已经出来了,不知道是否会有兼容性的问题.
另外还需要安装以下依赖：
pip2 install -r requirements.txt主要包括以下工具:
- PyTorch工具：PyTorchNet
- 进度条工具：tqdm
- 命令行工具：fire
- 可视化工具: visdom
- 交互式调试工具: ipdb
数据预处理中还用到了tf.contrib.keras.preprocessing.sequence.pad_sequences,需要安装TensorFlow,当然numpy是必不可少的.
安装完上述依赖之后，启动可视化工具visdom 服务
python2 -m visdom.server注意修改文件路径
python scripts/data_process/embedding2matrix.py main char_embedding.txt char_embedding.npz
python scripts/data_process/embedding2matrix.py main word_embedding.txt word_embedding.npz 这一步很耗内存，请确保内存>32G
python scripts/data_process/question2array.py main question_train_set.txt train.npz
python scripts/data_process/question2array.py main question_eval_set.txt test.npzpython scripts/data_process/label2id.py main question_topic_train_set.txt labels.json从训练集中抽取一部分的数据生成验证集, 这部分代码是从ipython中备份的,注意修改代码中的数据存放路径 .
python scripts/data_process/get_val.py 注意修改config.py中文件的路径
主要用到了五个模型
- CNN:
models/MultiCNNTextBNDeep.py - RNN（LSTM）:
models/LSTMText.py - RCNN:
models/RCNN.py - inception:
models/CNNText_inception.py - FastText:
models/FastText3.py
分别训练两个对应的word模型和char模型
# 训练LSTM char
python2 main.py main --max_epoch=5 --plot_every=100 --env='lstm_char' --weight=1 --model='LSTMText' --batch-size=128 --lr=0.001 --lr2=0 --lr_decay=0.5 --decay_every=10000 --type_='char' --zhuge=True --linear-hidden-size=2000 --hidden-size=256 --kmax-pooling=3 --num-layers=3 --augument=False
# 训练LSTM word
python2 main.py main --max_epoch=5 --plot_every=100 --env='lstm_word' --weight=1 --model='LSTMText' --batch-size=128 --lr=0.001 --lr2=0.0000 --lr_decay=0.5 --decay_every=10000 --type_='word' --zhuge=True --linear-hidden-size=2000 --hidden-size=320 --kmax-pooling=2 --augument=False
# 训练 RCNN char
python2 main.py main --max_epoch=5 --plot_every=100 --env='rcnn_char' --weight=1 --model='RCNN' --batch-size=128 --lr=0.001 --lr2=0 --lr_decay=0.5 --decay_every=5000 --title-dim=1024 --content-dim=1024 --type_='char' --zhuge=True --kernel-size=3 --kmax-pooling=2 --linear-hidden-size=2000 --debug-file='/tmp/debugrcnn' --hidden-size=256 --num-layers=3 --augument=False
# 训练RCNN word
main.py main --max_epoch=5 --plot_every=100 --env='RCNN-word' --weight=1 --model='RCNN' --zhuge=True --num-workers=4 --batch-size=128 --model-path=None --lr2=0 --lr=1e-3 --lr-decay=0.8 --decay-every=5000 --title-dim=1024 --content-dim=512 --kernel-size=3 --debug-file='/tmp/debugrc' --kmax-pooling=1 --type_='word' --augument=False
# 训练CNN word
python main.py main --max_epoch=5 --plot_every=100 --env='MultiCNNText' --weight=1 --model='MultiCNNTextBNDeep' --batch-size=64 --lr=0.001 --lr2=0.000 --lr_decay=0.8 --decay_every=10000 --title-dim=250 --content-dim=250 --weight-decay=0 --type_='word' --debug-file='/tmp/debug' --linear-hidden-size=2000 --zhuge=True --augument=False
# 训练inception word
python2 main.py main --max_epoch=5 --plot_every=100 --env='inception-word' --weight=1 --model='CNNText_inception' --zhuge=True --num-workers=4 --batch-size=512 --model-path=None --lr2=0 --lr=1e-3 --lr-decay=0.8 --decay-every=2500 --title-dim=1200 --content-dim=1200 --type_='word' --augument=False
# 训练inception char
python2 main.py main --max_epoch=5 --plot_every=100 --env='inception-char' --weight=1 --model='CNNText_inception' --zhuge=True --num-workers=4 --batch-size=512 --model-path=None --lr2=0 --lr=1e-3 --lr-decay=0.8 --decay-every=2500 --title-dim=1200 --content-dim=1200 --type_='char' --augument=False
# 训练FastText3 word
python2 main.py main --max_epoch=5 --plot_every=100 --env='fasttext3-word' --weight=5 --model='FastText3' --zhuge=True --num-workers=4 --batch-size=512 --lr2=1e-4 --lr=1e-3 --lr-decay=0.8 --decay-every=2500 --linear_hidden_size=2000 --type_='word' --debug-file=/tmp/debugf --augument=False
大多数情况下,模型还能够通过finetune继续提升一定的分数,此时把学习率设为5e-5,再训练1-2个epoch左右即可,以LSTMText为例
python2 main.py main --max_epoch=2 --plot_every=100 --env='LSTMText-word-ft' --model='LSTMText' --zhuge=True --num-workers=4 --batch-size=256 --model-path=None --lr2=5e-5 --lr=5e-5 --decay-every=5000 --type_='word' --model-path='checkpoints/LSTMText_word_0.409196378421' 修改3.1脚本的--augument=True,训练即可.注意word的模型的分数会和之前的相匹敌,甚至还有提升,char模型分数会严重下降.同样在训练最后,还需要进行finetune.
根据本人的经验,线下分数会比线上低5-6个千分点,需要把这里的分数加上5-6个千分点才是线上真实的分数
| model | score |
|---|---|
| CNN_word | 0.4103 |
| RNN_word | 0.4119 |
| RCNN_word | 0.4115 |
| Inceptin_word | 0.4109 |
| FastText_word | 0.4091 |
| RNN_char | 0.4031 |
| RCNN_char | 0.4037 |
| Inception_char | 0.4024 |
| RCNN_word_aug | 0.41344 |
| CNN_word_aug | 0.41051 |
| RNN_word_aug | 0.41368 |
| Incetpion_word_aug | 0.41254 |
| FastText3_word_aug | 0.40853 |
| CNN_char_aug | 0.38738 |
| RCNN_char_aug | 0.39854 |
作者能用上述模型融合得到至少0.433
待续
models/MultiModelAll2:主要思路是,把多个很优秀的模型,并行接在一起,然后接着训.一开始分数会下降的很厉害,然后慢慢的分数会开始上升models/MultiModelAll: 主要思路是,把多个很优秀的模型,并行接在一起,并且重新初始化他们的embedding为最初给的那个词向量,所有的子模型共享一个embedding.
MultiModel的分数,远小于这几个模型直接融合的分数,但是对于最终的融合有帮助.
MultiModel的训练,需要修改main-all.py或者main-all.py中的参数.主要设置
- opt.models: 指定MultiModel所包含的子模型
- opt.model_paths: 相对应的预训练好的模型保存路径
训练命令
python2 main-all.py main --max_epoch=2 --plot_every=10 --env='multimodelall-fast2' --weight=1 --model='MultiModelAll' --zhuge=True --num-workers=4 --batch-size=128 --lr2=5e-4 --lr=1e-3 --lr-decay=0.5 --loss='bceloss' --decay-every=4000 --all=True --debug-file=/tmp/debuga 根据上一步生成的多个最佳模型，对测试集进行测试，将测试结果保存成文件，用以融合,请注意修改模型保存的路径。测试的结果是测试集(或验证集)的所有样本属于各个类的概率. 如果是对测试集,那么生成的结果就是一个217360*1999的矩阵,如果是对验证集,生成的结果就是一个200000*1999的矩阵.
需要指定:
- model: 模型名字,包括
LSTMText,RCNN,MultiCNNTextBNDeep,FastText3,CNNText_inception - model-path: 模型保存的路径
- result-path: 结果保存路径
- val: 为True,会对验证集进行测试,为False会对测试集进行测试.
# LSTM
python2 test.1.py main --model='LSTMText' --batch-size=512 --model-path='checkpoints/LSTMText_word_0.411994005382' --result-path='/data_ssd/zhihu/result/LSTMText0.4119_word_test.pth' --val=False --zhuge=True
python2 test.1.py main --model='LSTMText' --batch-size=256 --type_=char --model-path='checkpoints/LSTMText_char_0.403192339135' --result-path='/data_ssd/zhihu/result/LSTMText0.4031_char_test.pth' --val=False --zhuge=True
#RCNN
python2 test.1.py main --model='RCNN' --batch-size=512 --model-path='checkpoints/RCNN_word_0.411511574999' --result-path='/data_ssd/zhihu/result/RCNN_0.4115_word_test.pth' --val=False --zhuge=True
python2 test.1.py main --model='RCNN' --batch-size=512 --model-path='checkpoints/RCNN_char_0.403710422571' --result-path='/data_ssd/zhihu/result/RCNN_0.4037_char_test.pth' --val=False --zhuge=True
# DeepText
python2 test.1.py main --model='MultiCNNTextBNDeep' --batch-size=512 --model-path='checkpoints/MultiCNNTextBNDeep_word_0.410330780091' --result-path='/data_ssd/zhihu/result/DeepText0.4103_word_test.pth' --val=False --zhuge=True
# more to go ...如果是对MultiModel进行测试,需要使用test.3.py ,并修改相对的opt.models和opt.model_paths,直接从main-all.py或者mian-all.1.py中copy过来即可.
比如
python2 test.3.py main --model='MultiModelAll' --batch-size=128 --result-path='/data_ssd/zhihu/result/MultiModelallfast2_419245894992_aug_test.pth' --val=False --zhuge=True --loss='bceloss'请参照notebooks/val_ensemble.ipynb 和notebooks/test_ensemble.ipynb,这个分别是验证集上融合计算分数,和测试集上融合生成相对应的csv.
main.py: 大多数模型的训练入口config.py: 配置文件,可通过命令喊参数传入覆盖默认值test.1.py: 根据模型生成对应的文件用来融合.data/: 数据加载相关scripts/: 各种脚本,主要是数据预处理utils/: 工具函数,包括计算分数,对可视化工具visdom的封装models/: 所有的模型定义models/BasicModel: 所有模型的父类,封装实现了两个方法models/MultiCNNTextBNDeep: CNNmodels/LSTMText: RNNmodels/RCNN: RCNNmodels/CNNText_inceptionInceptionmodels/MultiModelALL和models/MultiModelAll2- 其它模型,没用到,或者没效果
rep.py: 提交给主办方复现分数的代码del/: 失败的方法,没什么用的代码notebooks/: notebooks