shiningliang / MRC2018

2018百度机器阅读理解技术竞赛

MRC2018

• 2018机器阅读理解技术竞赛 竞赛网站
• 参赛模型：BiDAF+Self Attention+Pre(single)
• 最终排名：28/105（菜鸡第一次参赛）

最近更新

• 2018/09/11更新，AAAI赶完了，感谢大家的star。

1. basic_rnn.py 现已支持multi-layer的RNNCell(Tensorflow单层RNN和多层RNN的用法完全不同。。。)，添加了最新的SRU和IndyRNN
2. rc_model.py Adam更换为速度更快的LazyAdam，需tf>=1.9

• 2018/08/20更新，po主在赶AAAI，焦头烂额。。。先简单写一下，整个模型的训练和修改流程（以BiDAF+Self Attention为例，后续做成PDF详解）：

1. /dureader/run.py --prepare（数据预处理） --train(训练、预测)
2. /dureader/rc_model.py 模型（做修改可从此处着手）
3. /dureader/layers 各种层（pointnet，match layer，cudnn rnn）
4. /dureader/json_to_sentence.py 从原始json文件中提取文本
5. /dureader/pretrain_embedding.py 预训练词向量
6. /dureader/SIF.py 参考论文A Simple but Tough-to-Beat Baseline for Sentence Embeddings，但效果不佳。。。
7. /utils 评价指标

• 2018/08/20更新，最好成绩使用的参数即为BiDAF+Self Attention/run.py中默认参数
• 2018/08/06更新，po主参加了在语言与智能高峰论坛上举办的比赛颁奖典礼，发现都是前期特征工程提升巨大，模型上未有亮眼工作，如果拿到了前几名的技术报告，会推上来
• 2018/08/06更新，百度现已开放全部数据，下边的数据集统计表中已更新链接，比赛成绩也会放上来，大家可以日常打榜。颁奖典礼上负责人表示，比赛明年还会继续举办，大家加油！

参考模型

• R-Net
• BiDAF

参考代码

• HKUST
• DuReader

Requirements

General

• Python >= 3.4
• numpy

Python Packages

• tensorflow-gpu >= 1.9.0
• ujson
• pickle
• tqdm

Data

类型	train	dev	test
比赛	27W	1W	2W
开放	20W	1W	1W

Performance

Score(Public Board)

Model	Rouge-L	Bleu-4
BiDAF(cuDNN based)	46.56	40.95
R-Net	42.09	41.1
BiDAF+Self Attention	47.28	41.3
BiDAF+Self Attention+Gated RNN	47.71	41.75

Memory and Time

i7-7700k + 32G RAM + GTX1080Ti
batch size=32 dropout=0.7

Model	GPU Memory	Time(50 batch)	word embedding trainable
BiDAF(origin)	8431M	47s	false
MLSTM	10655M	1min27s	false
R-Net	4295M	23s	false
BiDAF+Self Attention(cuDNN based)	8431M	22s	false
BiDAF+Self Attention+Gated RNN(Pre)	N/A	N/A	false

BUG：

1. BiDAF+Self Attention无法保存后再加载模型，tensorflow的cuDNN_LSTM虽然极快，但太难用了
2. R-Net本地的两个指标极差，提交的结果倒是正常

Other

• 实际还有基于HKUST的BiDAF版本，显存和时间占用略小于R-Net，但效果比BiDAF(origin)大约低2个点，可能是使用了GRU的原因
• 最终在训练时无法保存最优模型的情况下，只能针对当前最优epoch进行一次predict，极为耗时
• 这个repo的Self Attention加在了match layer，后来发现cs224n的做法是基于match layer的输出做Self Attention，估计效果更好