Глубокое изучение языка с учетом неопределенности с помощью BERT-SNGP

Посмотреть на TensorFlow.org Запустить в Google Colab Посмотреть на GitHub Скачать блокнот См. модель концентратора TF

В учебном пособии по SNGP вы узнали, как построить модель SNGP поверх глубокой остаточной сети, чтобы улучшить ее способность количественно определять неопределенность. В этом руководстве вы примените SNGP к задаче понимания естественного языка (NLU), создав его поверх глубокого кодировщика BERT, чтобы улучшить способность глубокой модели NLU обнаруживать запросы, выходящие за рамки.

В частности, вы будете:

  • Создайте BERT-SNGP, модель BERT , дополненную SNGP.
  • Загрузите набор данных обнаружения намерений CLINC Out-of-scope (OOS) .
  • Обучите модель BERT-SNGP.
  • Оцените производительность модели BERT-SNGP при калибровке погрешностей и обнаружении вне области.

Помимо CLINC OOS, модель SNGP применялась к крупномасштабным наборам данных, таким как обнаружение токсичности Jigsaw , и к наборам данных изображений, таким как CIFAR-100 и ImageNet . Для получения результатов тестирования SNGP и других методов определения неопределенности, а также высококачественной реализации с помощью сквозных сценариев обучения/оценки вы можете ознакомиться с эталонным тестом Uncertainty Baselines .

Настраивать

pip uninstall -y tensorflow tf-text

pip install -U tensorflow-text-nightly

pip install -U tf-nightly

pip install -U tf-models-nightly

import matplotlib.pyplot as plt

import sklearn.metrics
import sklearn.calibration

import tensorflow_hub as hub
import tensorflow_datasets as tfds

import numpy as np
import tensorflow as tf

import official.nlp.modeling.layers as layers
import official.nlp.optimization as optimization

/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_addons/utils/ensure_tf_install.py:43: UserWarning: You are currently using a nightly version of TensorFlow (2.9.0-dev20220203). 
TensorFlow Addons offers no support for the nightly versions of TensorFlow. Some things might work, some other might not. 
If you encounter a bug, do not file an issue on GitHub.
  UserWarning,

Это руководство нуждается в графическом процессоре для эффективной работы. Проверьте, доступен ли графический процессор.

tf.__version__

'2.9.0-dev20220203'

gpus = tf.config.list_physical_devices('GPU')
gpus

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

assert gpus, """
  No GPU(s) found! This tutorial will take many hours to run without a GPU.

  You may hit this error if the installed tensorflow package is not
  compatible with the CUDA and CUDNN versions."""

Сначала реализуйте стандартный классификатор BERT, следуя тексту классификации с помощью учебника BERT . Мы будем использовать кодировщик на базе BERT , а в качестве классификатора — встроенный ClassificationHead .

Стандартная модель BERT

Построить модель SNGP

Чтобы реализовать модель BERT-SNGP, вам нужно всего лишь заменить ClassificationHead на встроенный GaussianProcessClassificationHead . Спектральная нормализация уже включена в эту классификацию. Как и в руководстве по SNGP , добавьте в модель обратный вызов сброса ковариации, чтобы модель автоматически сбрасывала оценщик ковариации в начале новой эпохи, чтобы избежать двойного подсчета одних и тех же данных.

class ResetCovarianceCallback(tf.keras.callbacks.Callback):

  def on_epoch_begin(self, epoch, logs=None):
    """Resets covariance matrix at the begining of the epoch."""
    if epoch > 0:
      self.model.classifier.reset_covariance_matrix()

class SNGPBertClassifier(BertClassifier):

  def make_classification_head(self, num_classes, inner_dim, dropout_rate):
    return layers.GaussianProcessClassificationHead(
        num_classes=num_classes, 
        inner_dim=inner_dim,
        dropout_rate=dropout_rate,
        gp_cov_momentum=-1,
        temperature=30.,
        **self.classifier_kwargs)

  def fit(self, *args, **kwargs):
    """Adds ResetCovarianceCallback to model callbacks."""
    kwargs['callbacks'] = list(kwargs.get('callbacks', []))
    kwargs['callbacks'].append(ResetCovarianceCallback())

    return super().fit(*args, **kwargs)

Загрузить набор данных CLINC OOS

Теперь загрузите набор данных обнаружения намерений CLINC OOS . Этот набор данных содержит 15 000 устных запросов пользователей, собранных по более чем 150 классам намерений, а также 1000 предложений вне домена (OOD), которые не охватываются ни одним из известных классов.

(clinc_train, clinc_test, clinc_test_oos), ds_info = tfds.load(
    'clinc_oos', split=['train', 'test', 'test_oos'], with_info=True, batch_size=-1)

Сделайте поезд и тестовые данные.

train_examples = clinc_train['text']
train_labels = clinc_train['intent']

# Makes the in-domain (IND) evaluation data.
ind_eval_data = (clinc_test['text'], clinc_test['intent'])

Создайте набор данных оценки OOD. Для этого объедините тестовые данные домена clinc_test и данные вне домена clinc_test_oos . Мы также присвоим метку 0 примерам внутри домена и метку 1 — примерам вне домена.

test_data_size = ds_info.splits['test'].num_examples
oos_data_size = ds_info.splits['test_oos'].num_examples

# Combines the in-domain and out-of-domain test examples.
oos_texts = tf.concat([clinc_test['text'], clinc_test_oos['text']], axis=0)
oos_labels = tf.constant([0] * test_data_size + [1] * oos_data_size)

# Converts into a TF dataset.
ood_eval_dataset = tf.data.Dataset.from_tensor_slices(
    {"text": oos_texts, "label": oos_labels})

Тренируйтесь и оценивайте

Сначала настройте базовые конфигурации обучения.

TRAIN_EPOCHS = 3
TRAIN_BATCH_SIZE = 32
EVAL_BATCH_SIZE = 256


optimizer = bert_optimizer(learning_rate=1e-4)
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metrics = tf.metrics.SparseCategoricalAccuracy()

fit_configs = dict(batch_size=TRAIN_BATCH_SIZE,
                   epochs=TRAIN_EPOCHS,
                   validation_batch_size=EVAL_BATCH_SIZE, 
                   validation_data=ind_eval_data)

sngp_model = SNGPBertClassifier()
sngp_model.compile(optimizer=optimizer, loss=loss, metrics=metrics)
sngp_model.fit(train_examples, train_labels, **fit_configs)

Epoch 1/3
469/469 [==============================] - 219s 427ms/step - loss: 1.0725 - sparse_categorical_accuracy: 0.7870 - val_loss: 0.4358 - val_sparse_categorical_accuracy: 0.9380
Epoch 2/3
469/469 [==============================] - 198s 422ms/step - loss: 0.0885 - sparse_categorical_accuracy: 0.9797 - val_loss: 0.2424 - val_sparse_categorical_accuracy: 0.9518
Epoch 3/3
469/469 [==============================] - 199s 424ms/step - loss: 0.0259 - sparse_categorical_accuracy: 0.9951 - val_loss: 0.1927 - val_sparse_categorical_accuracy: 0.9642
<keras.callbacks.History at 0x7fe24c0a7090>

Оценить эффективность OOD

Оцените, насколько хорошо модель может обнаруживать незнакомые внедоменные запросы. Для тщательной оценки используйте созданный ранее набор данных оценки OOD ood_eval_dataset .

Вычисляет вероятности OOD как \(1 - p(x)\), где \(p(x)=softmax(logit(x))\) — прогнозирующая вероятность.

sngp_probs, ood_labels = oos_predict(sngp_model, ood_eval_dataset)

ood_probs = 1 - sngp_probs

Теперь оцените, насколько хорошо показатель неопределенности модели ood_probs предсказывает метку вне предметной области. Сначала вычислите площадь под кривой точного воспроизведения (AUPRC) для зависимости вероятности OOD от точности обнаружения OOD.

precision, recall, _ = sklearn.metrics.precision_recall_curve(ood_labels, ood_probs)

auprc = sklearn.metrics.auc(recall, precision)
print(f'SNGP AUPRC: {auprc:.4f}')

SNGP AUPRC: 0.9039

Это соответствует производительности SNGP, указанной в тесте CLINC OOS в соответствии с базовыми уровнями неопределенности .

Затем исследуйте качество модели при калибровке неопределенности , т. е. соответствует ли прогностическая вероятность модели ее прогностической точности. Хорошо откалиброванная модель считается заслуживающей доверия, поскольку, например, ее прогностическая вероятность \(p(x)=0.8\) означает, что модель верна в 80% случаев.

prob_true, prob_pred = sklearn.calibration.calibration_curve(
    ood_labels, ood_probs, n_bins=10, strategy='quantile')

plt.plot(prob_pred, prob_true)

plt.plot([0., 1.], [0., 1.], c='k', linestyle="--")
plt.xlabel('Predictive Probability')
plt.ylabel('Predictive Accuracy')
plt.title('Calibration Plots, SNGP')

plt.show()

png

Ресурсы и дополнительная литература