Pytext简介

自然语言处理(NLP)在现代深度学习生态中越来越常见。从流行的深度学习框架到云端API的支持， 例如Google云、Azure、AWS或Bluemix，NLP是深度学习平台不可或缺的部分。尽管已经取得了 令人难以置信的进步，但构建大规模的NLP应用依然还有极大的挑战，在学习研究和生产部署 之间还存在很多摩擦。作为当前市场上最大的会话环境之一，Facebook已经面对构建大规模NLP应用 的挑战有一些年头了，最近，Facebook的工程团队开源了第一个版本的Pytext，一个基于PyTorch 的NLP框架，可以用来构建高效的NLP解决方案。

PyText的最终目标是简化端对端的NLP工作流实现。为了实现这一目标，PyText需要解决当前NLP 流程中的一些问题，其中最令人头疼的就是NLP应用在实验环境和生产环境的不匹配问题。

更好地平衡NLP实验和生产部署

现代NLP解决方案通常包含非常重的实验环节，在这个阶段数据科学家们将借鉴研究文件快速测试新的 想法和模型，以便达成一定的性能指标。在实验阶段，数据科学家倾向于使用容易上手、界面简单的 框架，以便快速实现高级、动态的模型，例如PyTorch或TensorFlow Eager。当需要部署到生产环境 时，动态图模型的固有局限性就带了新的挑战，这一阶段的深度学习技术需要使用静态计算图，并且 需要为大规模计算进行优化。TensorFlow、Caffe2或MxNet都属于这一类型的技术栈。结果是大型数据 科学团队不得不为实验和生产部署使用不同的技术栈。

PyTorch是最早解决了快速实验与规模化部署之间冲突的深度学习框架之一。基于PyTorch构建的PyText 为NLP领域应用了这些解决实验环境与生产部署之间冲突的优化原则。

理解PyText

从概念角度触发，PyText被设计为实现以下四个基本目标：

1. 尽可能简单、快速的实现新模型

2. 简化将预构建模型应用于新数据的工作量

3. 同时为研究者和工程师定义清晰的工作流，以便构建和评估模型，并以最小的代价上线模型

4. 确保部署的模型在推理时具有高性能：低延迟、高吞吐量

PyText的处理容量最终打造的建模框架，可供研究者和工程师构建端到端的训练或推理流水线。 当前的PyText实现涵盖了NLP工作流声明周期中的基本环节，为快速实验、原始数据处理、指标统计、 训练和模型推理提供了必要的接口。一个高层级的PyText架构图可以清晰地展示这些环节如何封装 了框架的原生组件：

如上图所示，PyText的架构包含以下组成部分：

• Task：将多个用于训练或推理的组件拼装为一个流水线
• Data Handler：处理原始输入数据，贮备张量批数据，以便送入模型
• Model：定义神经网络的架构
• Optimizer：封装模型参数优化过程，基于模型的前馈损失进行优化
• Metric Reporter：实现模型相关指标的计算和报表提供
• Trainer： 使用数据处理器、模型、损失和优化器来训练和筛选模型
• Predictor：使用数据处理器和模型对给定的数据集进行推理
• Exporter： ONNX8导出训练好的PyTorch模型到Caffe2图

你可以看到，PyText利用ONNX(Open Neural Network Exchange Format)将模型从实验环境的PyTorch 格式转换为生产环境的Caffe2运行模型。

PyText预置了众多NLP任务组件，例如文本分类、单词标注、语义分析和语言模型等，可以快速实现NLP 工作流。类似的，PyText使用上下文模型介入语言理解领域，例如使用SeqNN模型用于意图标注任务，或者 使用一个上下文相关的意图槽模型用于多个任务的联合训练。

从NLP工作流的角度来说，PyText可以快速将一个思路从实验阶段转换为生产阶段。一个PyText应用的 典型工作流包含如下的步骤：

1. 用PyText实现模型，确保测试集上的离线指标正确
2. 将模型发布到打包的基于PyTorch的推理服务，在实时样本上执行小规模评估
3. 自动导出到Caffe2网络，不过在有些情况下，例如当使用复杂的流程控制逻辑时，或者使用自定义数据结构式，PyTorch 1.0还不支持
4. 如果第3步不支持，那么使用Py-Torch C++ API9重写模型，并封装为一个Caffe2操作符
5. 将模型发布为生产就绪的Caffe2预测服务并启动

使用PyText

上手PyText非常简单，按标准 python 包的方法安装框架：

$ pip install pytext-nlp

然后，我们就可以使用一个任务配置来训练NLP模型了：

(pytext) $ cat demo/configs/docnn.json
{
  "task": {
    "DocClassificationTask": {
      "data_handler": {
        "train_path": "tests/data/train_data_tiny.tsv",
        "eval_path": "tests/data/test_data_tiny.tsv",
        "test_path": "tests/data/test_data_tiny.tsv"
      }
    }
  }
}

$ pytext train < demo/configs/docnn.json

Task是PyText应用中的用来定义模型的核心部件。每一个任务都有一个嵌入的配置，它 定义了不同组件之间的关系，如下面代码所示：

from word_tagging import ModelInputConfig, TargetConfig

class WordTaggingTask(Task):
  class Config(Task.Config):
    features: ModelInputConfig = ModelInputConfig()
    targets: TargetConfig = TargetConfig()
    data_handler: WordTaggingDataHandler.Config = WordTaggingDataHandler.Config()
    model: WordTaggingModel.Config = WordTaggingModel.Config()
    trainer: Trainer.Config = Trainer.Config()
    optimizer: OptimizerParams = OptimizerParams()
    scheduler: Optional[SchedulerParams] = SchedulerParams()
    metric_reporter: WordTaggingMetricReporter.Config = WordTaggingMetricReporter.Config()
    exporter: Optional[TextModelExporter.Config] = TextModelExporter.Config()

一旦模型训练完毕，我们就可以对模型进行评估，也可以导出为Caffe2格式：

(pytext) $ pytext test < "$CONFIG"

(pytext) $ pytext export --output-path exported_model.c2 < "$CONFIG"

需要指出的是，PyText提供了可扩展的架构，可以定制、扩展其中任何一个构建模块。

PyText代表了NLP开发的一个重要里程碑，它是最早解决实验与生产匹配问题的框架之一。基于 Facebook和PyTorch社区的支持，PyText可能有机会称为深度学习生态中最重要的NLP技术栈之一。

原文链接： Introducing PyText

汇智网翻译整理，转载请标明出处。