声明:本文来自于微信公众号 新智元（ID:AI_era），作者:王嘉宁，授权站长之家转载发布。
近日，华师大HugAILab团队研发了HugNLP框架，这是一个面向研究者和开发者的全面统一的NLP训练框架，可支持包括文本分类、文本匹配、问答、信息抽取、文本生成、小样本学习等多种NLP任务模型搭建和训练。
(资料图)
开源地址:https://github.com/HugAILab/HugNLP
论文:https://arxiv.org/abs/2302.14286
值得注意的是，HugNLP还集成了大量最新的Prompt技术，例如Prompt-Tuning、In-Context Learning、Instruction-tuning，未来还将引入Chain-of-thought
HugAILab团队还研发了一系列的应用，例如CLUE&GLUE刷榜工具，可支持ChatGPT类模型训练和部署产品HugChat，以及统一信息抽取产品HugIE等。
HugNLP是一个分层式框架，遵循“高内聚低耦合”的开发模式，其核心包括模型层（Models）、处理器层(Processors)、评估器层(Evaluators)和应用层(Applications)四部分。
框架图如下所示:
模型层:包含模型部分，主要按照任务类型进行划分;
处理器层:对数据进行加载、缓存、分词等处理，并转换为模型输入的Tensor;
评估器层:根据不同类型的任务（分类或生成），指定不同的评估流程和评价指标;
应用层:对应的应用执行脚本。理论上来说，选定一个模型、一个数据处理器以及一个评估器，即可对应一个应用。
HugNLP完全基于HuggingFace开发，具有易扩展、易部署能力，同时集成了MLFlow训练追踪器，方便使用者及时追踪实验进度，并进行实验分析。
HugNLP框架之所以称为全面，是因为其集成了大量的NLP任务模型，目前已经实现的包括:
预训练:Masked LM、Causal LM、知识增强预训练;
Instruction-Tuning:支持自回归生成式、区间抽取式、NLI等统一范式训练;
文本分类/匹配:传统Fine-tuning、Prompt-tuning、In-Context Learning;
序列标注:支持NER等序列标注任务;
元学习:基于序列的元学习（SentenceProto）、基于区间的元学习(SpanProto)、基于token的元学习(TokenProto，NNShot);
问答:支持抽取式问答、多项选择式问答、开放生成式问答;
文本生成:支持文本摘要、机器翻译（正在开发中）;
代码智能:目前集成了代码克隆检测（Clone）、代码缺陷检测(Defact)等Code任务;
快速部署HugNLP框架，只需要执行代码三行命令即可:
gitclonehttps://github.com/HugAILab/HugNLP.gitcdHugNLPpython3setup.pyinstall
下面介绍HugNLP的几个核心能力:
Benchmark一键刷榜;
预训练和知识注入;
Fine-tuning & Prompt-tuning;
Instruction-tuning;
In-Context Learning;
半监督Self-training;
Code代码智能;
一、Benchmark一键刷榜
HugNLP最先开发了面向一些常用榜单的刷榜工具，例如GLUE、CLUE等。用户只需要配置相应的数据集名称，即可实现一键刷榜。
为了验证框架的有效性，在22年9月提交了CLUE榜单的刷榜结果，选择一系列中文小模型（RoBERTa、MacBERT、P-BERT等）并结合了logits集成方法，至今依然维持在第15名位置，曾一度超越了部分企业。
例如如果训练CLUE榜单的AFQMC数据集，可编辑文件
applications/benchmark/clue/clue_finetune_dev.sh
修改参数:
--user_defined="data_name=afqmc"
执行下列命令即可:
bashapplications/benchmark/clue/clue_finetune_dev.sh
同样的方法还可以训练一些常用的NLP任务，例如阅读理解、实体识别、以及GLUE英文数据集等。
HugNLP还集成了一系列模型用于刷榜，例如BERT、RoBERTa、DeBERTa、MacBERT、Erlangshen等。
二、预训练与知识注入
传统的一些预训练模型（例如BERT、GPT2等）是在通用语料上训练的，而对领域事实知识可能不敏感，因此需要显式的在预训练阶段注入事实知识。
在HugNLP中，主要实现了几个知识增强预训练，包括DKPLM和KP-PLM。DKPLM是一种可分解的知识注入方法;KP-PLM则是将结构化知识转化为自然语言描述的形式进行注入。这些知识注入的方法是可插拔式的，因此无需修改模型结构，很容易用于下游任务的微调。
执行下面命令即可进行Masked Language Modeling和Causal Language Modeling的预训练:
bashapplications/pretraining/run_pretrain_mlm.shbashapplications/pretraining/run_pretrain_casual_lm.sh
三、 Fine-tuning & Prompt-Tuning
基于预训练语言模型的NLP，通常遵循Pre-training和Fine-tuning范式。HugNLP也包含Fine-tuning技术。
3.1参数有效性学习
HugNLP集成了包括Prefix-tuning、Adapter、BitFit、LoRA等参数有效性训练方法，可以加速模型的训练，降低显存占用量。
在训练脚本中，只需要添加一行参数，即可开启参数有效性训练:
--use_freezing
对于参数有效性方法，HugNLP实现了若干类别的分类模型，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，}，}只需要指定下面参数即可，例如选择adapter进行分类:
--task_type=head_adapter_cls
3.2对抗训练:引入对Embedding的扰动，提高模型的鲁棒性
HugNLP框架集成了若干种对抗训练的方法，其中最简单的对抗方法为FGM算法:
首先计算输入样本（通常为word embedding）的损失函数以及在处的梯度:;
计算在输入样本的扰动量:，其中为超参数，默认取1.0;
得到对抗样本:;
根据得到的对抗样本，再次喂入模型中，计算损失，并累积梯度;
恢复原始的word embedding，接着下一个batch。
在训练时，只需要添加一行参数，即可默认调用FGM算法:
--do_adv
3.3Prompt-tuning:通过模板来复用预训练目标
传统的Fine-tuning在低资源场景下容易出现过拟合问题，因此复用预训练的目标可以拉近Pre-training和Fine-tuning之间的语义差异。
HugNLP集成了PET、P-tuning、Prefix-tuning等Prompt-Tuning算法，并无缝嵌入在NLP分类任务的模型里。
在训练时，只需要指定下面两个参数，即可以开启Prompt-tuning模式，例如选择p-tuning算法:
--task_type=masked_prompt_ptuning_cls--use_prompt_for_cls
四、Instruction-tuning
在大模型时代，如何将不同类型的NLP任务进行范式统一，是构造通用人工智能的核心要素。HugNLP为此定义了三种统一范式的思想:
万物皆可生成:将所有NLP任务建模为单向自回归生成，例如GPT-3、ChatGPT等;
万物皆可抽取:将所有NLP任务建模为抽取式机器阅读理解;
万物皆可推断:将所有NLP任务建模为自然语言推断;
基于三种不同的范式统一，HugNLP推出两个核心产品，分别是:
HugChat:基于生成式Instruction的中小型ChatGPT类模型;
HugIE:基于抽取式Instruction的统一信息抽取框架;
4.1HugChat:基于Causal Language Modeling的生成式对话模型
最近ChatGPT火爆全球，为了让研究者可以训练自己的ChatGPT，HugNLP框架集成了基于生成式Instruction的训练产品——HugChat，其支持各种类型的单向生成式模型的训练，例如GPT-2、GPT-Neo、OPT、GLM、LLaMA等。
在8张V10032G的条件下，可训练OPT-13B大模型。HugAILab团队开源了约200万条英文、300万条中文对话数据，用于训练模型。例如训练GPT-2（XL），可直接执行脚本:
bash./application/instruction_prompting/HugChat/supervised_finetuning/run_causal_instruction_gpt2_xl.sh
基于HugNLP，训练的GPT-2（1.3B）模型，即可实现很简单的对话任务。只需要执行如下命令即可玩转HugChat:
python3applications/instruction_prompting/HugChat/hugchat.py
例如可以写套磁信邮件:
再例如搜索谷歌地球的相关信息:
也可以实现编写简单的代码（1.3B的模型具备此能力已经很惊叹了!）:
HugNLP目前正在开发其他类型的Decoder-only大模型，相关信息和开源内容如下表所示:
HugChat后期将推出垂直领域的大模型解决方案，同时将与OpenAI API进行融合，推出大模型服务框架。
4.2HugIE:基于Global Pointer的统一信息抽取框架
信息抽取（Information Extraction）旨在从非结构化的文本中抽取出结构化信息，是构建知识库的重要步骤之一。通常信息抽取包括两个核心步骤，分别是命名实体识别(Named Entity Recognition)和关系抽取(Relation Extraction)。
我们基于HugNLP研发一款HugIE产品，旨在实现统一信息处理。其主要核心包括如下几个部分:
将实体识别和关系抽取，统一为新的范式——基于抽取式阅读理解的方法。HugIE采用Global Pointer模型实现信息抽取;
定义Instruction Prompt，指导模型生成需要抽取的内容;
采用多任务训练的方法训练;
HugIE目前已经开源了模型:https://huggingface.co/wjn1996/wjn1996-hugnlp-hugie-large-zh 可以基于HugNLP框架使用HugIE抽取模型，如下图所示:
五、In-Context Learning
In-Context Learning（ICL）首次由GPT-3提出，其旨在挑选少量的标注样本作为提示(Prompt)，从而在形式上促使大模型生成目标答案。ICL的优势在于无需对参数进行更新，即可实现惊艳的效果。
HugNLP框架集成了ICL，主要涉及到样本的挑选和预测结果的校准两个部分:
样本挑选:默认为从训练集中随机挑选样本，后期将会开发一系列样本挑选的算法，例如聚类、K近邻、余弦相似度等;
预测校准:由于所挑选标注样本与待预测样本存在分布差异，需要对预测的概率分布进行校准，这里采用Calibrate Before Use方法，如下图，可以对预测分布进行校准，提高预测效果。
目前ICL已经集成在HugNLP里，只需要指定下面参数即可:
--user_defined="data_name=xxxnum_incontext_example=4l=1use_calibrate=True"--use_prompt_for_cls
六、半监督Self-training
半监督旨在同时结合标注数据和无标签数据来训练NLP任务。Self-training是一种简单但有效的迭代式训练方法，其通过Teacher模型先获取伪标签，对伪标签进行去噪后，再训练Student模型。传统的Self-training会引入大量噪声，从而降低训练的效果。
为了提高性能，HugNLP引入成熟的Uncertainty-aware Self-training技术。框架图如下所示:
其采用了来自贝叶斯推断中的MC Dropout技术，即对Teacher模型执行次推理，每次推理开启Dropout开关，从而得到若干与Teacher模型满足独立同分布的模型预测。
基于这些预测结果，可以通过信息熵的变化量得到Teacher模型对无标签数据的不确定性量化指标（即BALD算法），核心公式如下:
进行多次DC Dropout的代码实现如下（详见hugnlp_trainer.py）:
y_T=list（）foriintqdm(range(T)):y_pred=[]forstep，inputsinenumerate(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)#computemeany_mean=np.mean(y_T，axis=0)BALD算法实现如下:defget_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使用半监督模式，只需要做两件事:
（1）执行脚本时添加参数:
--use_semi
（2）在指定的数据集目录下，存放unlabeled data文件。
七、其他更丰富的应用
目前HugNLP还开发了很多应用如下所示:还有更多丰富的应用正在开发中。HugNLP也欢迎有志之士加入HugAILab参与开源开发工作。
（举报）
标签：
