本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
BlazingText 演算法
Amazon SageMaker BlazingText 演算法提供 Word2vec 和文字分類演算法的高度最佳化實作。Word2vec 演算法對許多下游自然語言處理 (NLP) 任務來說非常有用,例如情感分析、具名實體辨識、機器翻譯等。文字分類對執行 web 搜尋、資訊擷取、排名和文件分類的應用程式來說,是一項非常重要的任務。
Word2vec 演算法會將文字映射到高品質的分散式向量。其產生的文字向量表示稱為「文字內嵌」。語意上相似的文字會對應到彼此較為靠近的向量。透過這種方式,文字內嵌便能擷取文字之間的語意關係。
許多自然語言處理 (NLP) 的應用程式會透過在大量文件集合上進行訓練,來學習文字內嵌。這種預先訓練過的向量表示,可提供語意和文字分布的相關資訊,通常可以改善後續以更有限資料訓練的其他模型一般性。大多數 Word2vec 演算法的實作並未針對多核心 CPU 架構進行最佳化處理。因此難以擴展至大型資料集。
使用 BlazingText 演算法,您可以輕鬆擴充到大型資料集。與 Word2veC 類似,它提供了跳過格和連續 bag-of-words (CBOW)培訓架構。 BlazingText受監管的多類別、多標籤文字分類演算法的實作可擴充 fastText 字分類工具,以便將 GPU 加速與自訂 CUDA 核心搭配使用。
該 BlazingText 算法不可並行化。如需訓練相關參數的詳細資訊,請參閱 SageMaker 內建演算法的 Docker 登錄路徑。
SageMaker BlazingText 演算法提供下列功能:
-
使用高度最佳化的 CUDA 核心,加速在多核心 CPU 或 GPU 上的 fastText 文字分類器訓練,或是 GPU 上的 Word2Vec。如需詳細資訊,請參閱 BlazingText:使用多個 GPU 縮放和加速 Word2Vec
。 -
透過學習字元 n-grams 的向量表示達到的 Enriched Word Vectors with Subword Information
。這種方法可 BlazingText 以通過將其向量表示為字符 n 克 out-of-vocabulary (子字)向量的總和來為(OOV)單詞生成有意義的向量。 -
Word2Vec 演算法的
batch_skipgram
mode
,允許更快速的訓練和跨越多個 CPU 節點的分散式運算。batch_skipgram
mode
會使用負面樣本共享 (Negative Sample Sharing) 策略進行迷你批次處理,將 1 級的 BLAS 操作轉換成 3 級的 BLAS 操作。這可有效地運用現代架構的乘加指令。如需詳細資訊,請參閱 Parallelizing Word2Vec in Shared and Distributed Memory。
總而言之,不同類型的實例支 BlazingText 持以下模式:
模式 |
Word2Vec (非監督式學習) |
文字分類 (監督式學習) |
---|---|---|
單一 CPU 執行個體 |
|
|
單一 GPU 執行個體 (具備一或多個 GPU) |
|
|
多 CPU 執行個體 |
Batch Skip-gram |
無 |
有關背後數學的更多信息 BlazingText,請參閱 BlazingText:使用多個 GPU 縮放和加速 Word2Vec
主題
演算法的輸入/輸出介面 BlazingText
該 BlazingText 算法需要一個帶有空格分隔令牌的單個預處理文本文件。檔案中的每一行都應包含一個句子。若您需要在多個文字檔案上進行訓練,請將他們串連成一個檔案,並在個別通道中上傳檔案。
訓練及驗證資料格式
Word2Vec 演算法的訓練及驗證資料格式
針對 Word2Vec 訓練,請在「訓練」通道下上傳檔案。不支援其他通道。檔案中的每一行都應包含一個訓練句子。
文字分類 (Text Classification) 演算法的訓練及驗證資料格式
針對監督式模式,您可以使用檔案模式或擴增資訊清單文字格式進行訓練。
使用檔案模式訓練
針對 supervised
模式,訓練/驗證檔案中的每一行應包含一個訓練句子及標籤。標籤是加上字串 __label__ 做為前綴的文字。以下是訓練/驗證檔案的範例:
__label__4 linux ready for prime time , intel says , despite all the linux hype , the open-source movement has yet to make a huge splash in the desktop market . that may be about to change , thanks to chipmaking giant intel corp . __label__2 bowled by the slower one again , kolkata , november 14 the past caught up with sourav ganguly as the indian skippers return to international cricket was short lived .
注意
句子中標籤的順序不重要。
在訓練通道下上傳訓練檔案,然後選擇性地在驗證通道下上傳驗證檔案。
以擴增資訊清單文字格式進行訓練
CPU 執行個體監督式模式也支援擴增資訊清單格式,可讓您在管道模式中進行訓練,而無需建立 RecordIO 檔案。使用此格式時,需要產生 S3 資訊清單檔案,其中包含句子清單及其對應的標籤。資訊清單檔案格式應為 JSON Linessource
標籤指定,標籤則使用 label
標籤指定。source
和 label
標籤都應在請求中所指定的 AttributeNames
參數值下提供。
{"source":"linux ready for prime time , intel says , despite all the linux hype", "label":1} {"source":"bowled by the slower one again , kolkata , november 14 the past caught up with sourav ganguly", "label":2}
指定標籤的 JSON 陣列也支援多標籤訓練。
{"source":"linux ready for prime time , intel says , despite all the linux hype", "label": [1, 3]} {"source":"bowled by the slower one again , kolkata , november 14 the past caught up with sourav ganguly", "label": [2, 4, 5]}
如需擴增資訊清單檔案的詳細資訊,請參閱向具有擴增資訊清單檔案的訓練任務提供資料集中繼資料。
模型成品和推論
Word2Vec 演算法的模型成品
對於 Word2Vec 訓練,模型加工品包含 vectors.txt (包含 words-to-vectors 對應) 和 vectors.bin (用於裝載、推論或兩者) BlazingText 的二進位檔。 vectors.txt 存儲在一個格式,是像 Gensim 和斯帕西其他工具兼容的矢量。例如,Gensim 使用者可執行下列命令來載入 vectors.txt 檔案:
from gensim.models import KeyedVectors word_vectors = KeyedVectors.load_word2vec_format('vectors.txt', binary=False) word_vectors.most_similar(positive=['woman', 'king'], negative=['man']) word_vectors.doesnt_match("breakfast cereal dinner lunch".split())
若評估參數設為 True
,則會建立額外的檔案 eval.json。此檔案包含 WS-353 資料集的相似性評估結果 (使用 Spearman 的排名關聯係數)。訓練主體中沒有的 WS-353 資料集的文字數會進行報告。
針對推論請求,模型接受包含字串清單的 JSON 檔案,並會傳回向量清單。若在詞彙中找不到文字,則推論會傳回零的向量。如果True
在訓練期間將子字設定為,則模型可以為 out-of-vocabulary (OOV) 單字產生向量。
範例 JSON 請求
Mime-type: application/json
{ "instances": ["word1", "word2", "word3"] }
文字分類演算法的模型成品
使用受監督輸出進行訓練會建立可 BlazingText 供託管使用的 model.bin 檔案。對於推論, BlazingText模型接受包含句子列表的 JSON 文件,並返回相應的預測標籤和概率分數的列表。每個句子都預期是使用空白分隔字符、文字或兩者的字串。
範例 JSON 請求
Mime-type: application/json
{ "instances": ["the movie was excellent", "i did not like the plot ."] }
根據預設,伺服器只會傳回一個預測,即可能性最高的預測。若要擷取頂端的 k 預設,您可以在組態中設定 k,如下所示:
{ "instances": ["the movie was excellent", "i did not like the plot ."], "configuration": {"k": 2} }
對於 BlazingText, content-type
和accept
參數必須相等。針對批次轉換,他們都必須是 application/jsonlines
。如果不同,則會忽略 Accept
欄位。輸入的格式如下:
content-type: application/jsonlines {"source": "source_0"} {"source": "source_1"} if you need to pass the value of k for top-k, then you can do it in the following way: {"source": "source_0", "k": 2} {"source": "source_1", "k": 3}
輸出的格式如下:
accept: application/jsonlines {"prob": [prob_1], "label": ["__label__1"]} {"prob": [prob_1], "label": ["__label__1"]} If you have passed the value of k to be more than 1, then response will be in this format: {"prob": [prob_1, prob_2], "label": ["__label__1", "__label__2"]} {"prob": [prob_1, prob_2], "label": ["__label__1", "__label__2"]}
對於監督(文本分類)和無監督(Word2Vec)模式,由生成的二進製文件(*.bin) BlazingText 可以由 fastText 交叉使用,反之亦然。您可以使用由 FastText 生成的二進 BlazingText 製文件。同樣,您可以託管使用 FastText 創建的模型二進製文件。 BlazingText
以下是如何使用使用 fastText 生成的模型的 BlazingText 示例:
#Download the model artifact from S3 aws s3 cp s3://<YOUR_S3_BUCKET>/<PREFIX>/model.tar.gz model.tar.gz #Unzip the model archive tar -xzf model.tar.gz #Use the model archive with fastText fasttext predict ./model.bin test.txt
但是,只有在 CPU 和單一 GPU 上進行培訓時才支援二進位檔;多 GPU 上的訓練將不會產生二進位檔。
BlazingText演算法的 EC2 執行個體建議
對於cbow
和skipgram
模式, BlazingText 支援單一 CPU 和單一 GPU 執行個體。這兩種模式都支援學習 subwords
內嵌。為了達到最高的速度,同時不犧牲準確度,我們建議您使用 ml.p3.2xlarge 執行個體。
對於batch_skipgram
模式, BlazingText 支持單個或多個 CPU 實例。在多個實例上進CreateTrainingJob
行訓練時,請設置您傳遞給的S3DataSource
對象的S3DataDistributionType
字段的值FullyReplicated
。 BlazingText負責跨機器分發數據。
針對監督式文字分類模式,若訓練資料集小於 2 GB,則建議使用 C5 執行個體。對於較大的資料集,請使用具有單一 GPU 的執行個體。 BlazingText 支援 P2、P3、G4dn 和 G5 執行個體,以進行訓練和推論。
BlazingText 範例筆記本
對於訓練和部署 SageMaker BlazingText 演算法以產生字向量的範例筆記本,請參閱學習 Word2Vec