| 組員 | 信箱 | 職責 |
|---|---|---|
| 林育辰 Yu-Chen Lin | [email protected] | API Server |
| 梁俊彥 Chon-In Leong | [email protected] | NLP Model |
請參考以下安裝方式：
git clone [email protected]:yuchen0515/2022-Competition-CUDAOutOfMemory.git
如此能安裝本隊之程式碼，然而因為我們有使用其他開源專案之程式碼 nlp_fluency，因此目前會是空的，我們必須初始化 submodule 才可以，因此：
git submodule init
git submodule update
即可完成專案之安裝，不過請注意！！大型模型檔案尚未下載，此部分請參考下一節：程式架構 下載之。
- 程式碼之結構，已依循 官方要求，必須 檢附之資料夾以及檔案均有附上。(例：
data_preprocess,inference,model, etc.)$tree -L 2 . ├── README.md ├── data_preprocess │ ├── __init__.py │ ├── data_preprocess.py │ ├── train_all.json │ └── external_data_preprocess.py ├── inference │ ├── __init__.py │ ├── config.py │ ├── dataset_inference.py │ ├── inference.py │ ├── model.py │ ├── perplexity.py │ ├── search_method.py │ └── word_converter.py ├── model │ ├── __init__.py │ ├── config.py │ ├── data.py │ ├── evaluation.py │ ├── model.py │ ├── perplexity.py │ └── train.py ├── ngram_lm │ ├── bigram.json │ ├── trigram │ ├── trigram.json │ └── unigram.json ├── nlp_fluency │ ├── __init__.py │ ├── example.py │ ├── LICENSE │ ├── models.py │ ├── README.md │ └── train_ngramslm.py ├── trained_model │ └── Stock-Origin_epoch4.bin ├── Dockerfile ├── api.py └── requirements.txt - 注意
ngram_lm內檔案較大，故請至 ngram_lm Link 下載該資料夾，並放置於專案目錄下，如同上述檔案結構。trained_model檔案亦較大，同樣請至 trained_model Link 下載，放置於專案目錄下，如同上述檔案結構。data_preprocess/train_all.json是官方的訓練檔案，因資料不方便公開，還請使用者自行準備，放置在該路徑上才可正常執行程式。- 下載後之檔案，務必遵循上述之檔案結構！
- 補充
- nlp_fluency 為 Github 上開源專案，用以協助評估語句之「流暢度」所用。
- 可直接用 Docker 架設基於本隊程式碼的 API Server。
在諸多系統平台考量下，如 TWCC 雲端服務、Google Cloud Platform 等，在費用以及其他因素考量之下，決定模型訓練以及 API Server 架設，均使用 國立臺灣大學 多媒體資訊檢索實驗室 之主機配備。
因此模型訓練、程式撰寫以遠端連線(SSH) 主機為主，API Server 之 架設/技術 均為隊伍自行完成。
主機配備規格如下：
| 設備 | 型號 / 版本 | Note |
|---|---|---|
| CPU | Intel(R) Xeon(R) CPU E5-2630 v4 @ 2.20GHz | 20 cores |
| GPU | GeForce GTX 1080 Ti | 2 cores |
| RAM | 128 GB | |
| OS | Ubuntu 21.04 (Hirsute Hippo) |
無論是 AI model 或是 API Server 方面，最終均以 Python 3.9.5 版本為主撰寫。
有考慮過 後端 方面以 Node.js 或 Go 等語言撰寫，而後認為後端與 AI model 語言相同較方便處理，並且以主辦方提供之 api.py 著手較不容易有疏漏之處，故以 Python 為主要語言。
requirements.txt 請參考如下：
jinja2<3.1.0
markupsafe==2.0.1
protobuf==3.20.1
flask==1.1.4
numpy==1.22.2
gunicorn==20.1.0
ckiptagger==0.2.1
tensorflow==2.8.0
transformers==4.5.0
torch==1.11.0
argparse==1.4.0
pandas==1.4.1
einops==0.4.1
service_streamer==0.1.2
nltk==3.7
tqdm==4.62.3
evaluate==0.1.1
python-dateutil==2.8.2
opencc-python-reimplemented==0.1.6
值得注意的有以下幾點：
- api 架設以
flask為主 - 自行訓練模型時，有使用斷詞工具
ckiptagger，相較jieba，其在繁體中文斷詞方面表現較優一些 - service streamer 是 Github 上的開源專案，可協助 api 導入 batch 功能以增進效能。
# 安裝虛擬環境
$ python3 -m venv venv
# 啟動虛擬環境
$ source venv/bin/activate
# 安裝所需套件
$ pip install -r requirements.txt
在資料前處理的階段中，我們針對了部分大寫數字進行了轉換，而其中一些大寫數字（參肆伍陸拾）因爲出現了不少同音異義 / 異音異義的詞，不好處理故選擇跳過
本次競賽使用了OpenSLR資料庫中的CLMAD Dataset作爲額外訓練的文本，根據本次比賽文本的主題，從中挑選了Stock/Finance兩個Topic的Corpus作爲額外文本。由於CLMAD爲簡體中文文本，所以在前處理階段使用了OpenCC Library進行了文本的簡繁轉換，並對文本進行產生噪音的動作（插入/刪除/替換隨機文字），產出用於文本修正訓練之錯誤文本。
在前處理的同時，我們也把Ground Truth的60000句文本提取出來，結合來自CLMAD Corpus Dataset的Finance/Stock Topic文本，利用NLTK套件建立了1/2/3-Gram的Language Model，用於後續的困惑度計算
# 執行前處理
$ python -m data_preprocess.data_preprocess
# 下載/轉換/生成額外的噪音文本
$ python -m data_preprocess.external_data_preprocess
本次參賽用的模型採用了基本的 Transformer Encoder-Decoder 模型進行訓練，採用了 6 層 Encoder/Decoder 的結構
模型在執行面上是以文本翻譯之概念爲基礎進行文本修正，旨在嘗試將“錯誤文本”翻譯成“正確文本”
# 一些模型訓練參數
Optimizer=AdamW
Activation Function=Relu
Learing Rate=0.0001
Dropout=0.2
Epoch=6
# 執行模型訓練
$ python -m model.train
用 Input 提供之文本輸入至 Model 中，利用 Greedy Search Inference 出每句 Input 之修正句
其後計算各句（含 Input 句）之 3-Gram 困惑度，取最低者作最終 Output
# 執行模型推論
$ python -m inference.inference --input_path INPUT_PATH --model_path MODEL_PATH --ngram_dict_dir NGRAM_DICT_DIR --nlp_fluency_dir NLP_FLUENCY_DIR
- inference/inference.py 之各參數說明
| Arg Name | Data Type | Description | Default | Necessary |
|---|---|---|---|---|
| input_path | String | 用作Inference之Input File Path，Input File須爲Json File，若不提供則會以程式碼中之範例作Inference | None | No |
| model_path | String | 負責進行Inference之Model Path | -- | Yes |
| tokenizer_path | String | BertTokenizerFast之Pre-trained Model Path，建議使用“ckiplab/bert-base-chinese” | “ckiplab/bert-base-chinese” | Yes |
| device | String | 用於進行Inference之裝置，可使用CUDA，預設使用CPU | “cpu” | No |
| ws_path | String | 在Inference中，使用ckiplab之分詞工具，故需要事先下載對應之Pre-trained model，若不提供Pre-trained model path，程式將會自行下載 | “./data” | No |
| ngram_dict_dir | String | 用於計算文本困惑度之N-Gram LM資料夾路徑，在Preprocess階段會一併生成 | -- | Yes |
| nlp_fluency_dir | String | 用於計算文本困惑度之N-Gram LM資料夾路徑，在Preprocess階段會一併生成，與ngram_dict_dir之差異爲使用了第三方工具進行計算，如有提供路徑則會優先使用 | None | No |
- 本隊提供 Docker 之 API 伺服器架設方式
- 您只需安裝好 docker (Tutorial)，接著在本專案目錄下依循下列指令操作即可：
sudo docker build . -t mathlin/cudaoutofmemory
sudo docker run -p 614:614 -d mathlin/cudaoutofmemory
- 當然，您也可以簡單地先以一般形式測試，如下：
python3 -m api
- 附註
mathlin/cudaoutofmemory為建立之容器名稱，您可以按照自己的喜好命名。- build 階段時，會按照 Dockerfile 指定安裝、執行檔案，最終會在後台持續運行
api.py - run 階段則是啟動容器 (Image)，此時即可按您的 ip，port:614 傳送資料並取得結果
- 此啟動形式一般只可用 CPU，本隊於正式賽時是使用 nvidia-docker (較為麻煩) 啟動 GPU 架設 API Server，故若要使用 GPU，請在主機上安裝好 nvidia-docker (ref)，並按照以下指令操作(device 需看自己主機上的 GPU 編號)：
sudo nvidia-docker build . -t mathlin/cudaoutofmemory sudo nvidia-docker run --gpus='"device=0,1"' -p 614:614 -d mathlin/cudaoutofmemory- 若需要查詢執行狀況，建議按以下方式操作：
docker ps docker logs [CONTAINER_ID]- 先前 pre_trained 的模型是 bin 檔，而後 inference 訓練改用 state file，因此若您按照我們的方式訓練模型，而後讀取模型時就確保 load parameter 一致，且
api.py讀取時請將對應的程式碼更改如下：
# model = torch.load(model_path, map_location=device) model = GecTransformer(max_len=200, num_of_vocab=tokenizer.vocab_size, d_model=512, nhead=8, num_encoder_layers=6, num_decoder_layers=6, dim_feedforward=2048, dropout=0.2, activation="relu") model.load_state_dict(torch.load(model_path, map_location=device))