代码说明
环境配置
所需环境在 requirements.txt 中定义。
数据
- 使用大赛提供的有标注数据（10万）和无标注数据（大约100万）。
- 未使用任何额外数据。
预训练模型
-
使用了 huggingface 上提供的
hfl/chinese-macbert-base模型。链接为： https://huggingface.co/hfl/chinese-macbert-base -
使用了 huggingface 上提供的
hfl/chinese-roberta-wwm-ext模型。链接为： https://huggingface.co/hfl/chinese-roberta-wwm-ext -
使用了 微软开源的swin-transformer预训练模型。 opensource_models/swin_base_patch4_window7_224_22k.pth
算法描述
-
文本处理使用的长度为260，通过对三类文本数据进行数据探索性分析，根据百分位数确定，title 长度为98 ， asr为90，ocr为68.。对三个序列分别tokenizer后再进行合并，再添加CLS和SEQ特定符。
-
图像处理为间隔采样16帧
-
采用了两类模型进行集成，参考了以下经典架构设计模型
- 单流模型 VL-Bert架构
- 双流模型 ALBEF架构
-
单流模型和双流模型在9：1的SKF验证中，在不需要预训练的前提下，线上A榜均可达到0.685左右的分数
-
预训练采用了MFM，ITM，MLM
-
主要模型思路（更有效且更快的模型融合）
- 使用100w无标签数据对单流模型进行预训练（图像提取模型固定，提前采用swin_base_patch4_window7_224_22k.pth进行抽帧）；
- 使用10w有标签数据对单流模型进行微调（图像提取模型放开）；
- 加载单流模型训练好的swin_base部分的权重，抽取图像帧；
- 使用10w有标签数据对双流模型进行微调（图像提取模型固定，第3步已抽取特征）；
- 加载单流和双流模型训练权重，在推理时，以softmax输出进行0.55 ： 0.45 的权重进行融合。
注：单流模型和双流模型全量数据训练的最佳step通过9：1的SKF划分训练得到的结果进行确定最佳step训练的模型
模型优点：效率高。预训练只训练一次，且冻结了图像提取的backbone，使得预训练（包含抽帧）仅需24小时内即可完成，然后单流模型的训练需要12个小时，而双流模型（包含抽帧）仅需要1.5个小时、
-
采用APEX的FP16进行压缩模型，提升了一倍的效率(预训练不采用FP16，防止NAN），另外TensorRT也有实现，但我们的模型不够多，并没有采用更复杂的TensorRT进行推理
-
其他Trick仅采用了label smoothing。
性能
B榜融合测试性能：0.705623
训练流程
-
sh init.sh
-
sh train.sh
测试流程
- sh inference.sh即可