/GLUE-bert4keras

基于bert4keras的GLUE基准代码

Primary LanguagePythonMIT LicenseMIT

基于bert4keras的GLUE基准代码

引用苏神博客中的话：“事实上，不管是tensorflow还是pytorch，不管是CLUE还是GLUE，笔者认为能找到的baseline代码，都很难称得上人性化，试图去理解它们是一件相当痛苦的事情。” (附上苏神的中文CLUE基准代码)

本人也是感同身受，既然有了中文CLUE基准代码，那么英文GLUE基准代码也得搞一个，所以决定基于bert4keras实现一套GLUE的baseline。经过测试，基本上复现了Huggingface的基准成绩，并且大多数任务还更优。最重要的是，所有代码尽量保持了清晰易读的特点（bert4keras的最大特点）。

GLUE benchmark: General Language Understanding Evaluation

⭐️欢迎star和提问～

实验结果：

  • val set:
Task Metric BERT-base* BERT-base# ELECTRA-base# ELECTRA-large#
CoLA Matthews corr 56.53 61.53 65.63 68.99
SST-2 Accuracy 92.32 92.66 94.04 94.95
MRPC F1/Accuracy 88.85/84.07 88.53/84.17 90.83/87.71 91.78/89.16
STS-B Pearson/Spearman corr 88.64/88.48 89.20/88.77 90.97/90.75 91.13/91.25
QQP Accuracy/F1 90.71/87.49 90.81/87.66 91.23/88.33 92.20/89.70
MNLI M acc/MisM acc 83.91/84.10 84.02/84.24 88.32/88.16 91.10/91.15
QNLI Accuracy 90.66 91.42 92.11 93.74
RTE Accuracy 65.70 69.68 81.23 87.73
WNLI Accuracy 56.34 56.34 64.79 84.51

* Huggingface # Our

  • test set:

image

image

使用

  • 下载GLUE数据集和bert预训练的权重(这里使用的是Google原版bert)到指定文件夹；
  • 例如：训练CoLA，直接运行 python CoLA.py。

环境

  • 软件：bert4keras>=0.10.8, tensorflow = 1.15.0, keras = 2.3.1；
  • 硬件：bert-base和electra-base结果是用RTX 2080（12G）跑出来的，electra-large是用RTX 3090 (24G)，注意3090显卡不支持Google的tf 1.x系列，需使用Nvidia的tf.15。安装教程可参考：https://www.bilibili.com/read/cv9162965/

更新

  • 2021.11.28，增加code的test set的预测功能，并且上传到GLUE网站进行评估，结果已公开。
  • 2021.12.07，增加ELECTRA-base和ELECTRA-large的dev set结果（代码暂时未公开）。
  • 增加SuperGLUE基准代码 https://github.com/nishiwen1214/SuperGLUE-bert4keras