使用Pytorch 复现 PCNN+MIL (Zeng 2015) 与 PCNN+ATT (Lin 2016), 以及两个模型在两个大小版本的数据集上的表现对比。
结果见博客:relatoin-extraction.
在代码的组织,结构设计上, 主要参考 陈云Pytorch实战指南 (个人推荐)。因此一些实现细节就不再赘述了，可以参考陈云的实战指南。
环境:
- Python 2.X
- Pytorch 0.3.1
- fire
简单介绍主要目录：
├── checkpoints # 保存预加载模型
├── config.py # 参数
├── dataset # 数据目录
│ ├── FilterNYT # SMALL 数据
│ ├── NYT # LARGE 数据
│ ├── filternyt.py
│ ├── __init__.py
│ ├── nyt.py
├── main_mil.py # PCNN+ONE 主文件
├── main_att.py # PCNN+ATT 主文件
├── models # 模型目录
│ ├── BasicModule.py
│ ├── __init__.py
│ ├── PCNN_ATT.py
│ ├── PCNN_ONE.py
├── plot.ipynb
├── README.md
├── utils.py # 工具函数
这份代码基本上是按照陈云的指南模仿来写的。 数据模型分开，参数/配置单独文件， 并且使用fire 库来管理命令行参数，更加方便修改参数。
因为PCNN+ONE和PCNN+ATT的训练，测试方法不太一样，因此为了简单起见， 分别写了主文件: main_mil.py与main_att.py。
训练方式一样，如使用PCNN+ONE 训练大数据集, 后面可以直接修改参数, 默认使用config.py的参数:
python main_mil.py train --data="NYT" --batch_size=128
注：需要提前按照下一节处理下数据（主要是生成npy格式的数据，方便直接被模型导入).
为了节省空间， 上传了LARGE和SMALL两份的原生数据，因此需要用数据预处理下，从而生成npy格式数据。
首先下载两份原始数据，地址:
将两个zip放到dataset目录下，解压，这样会形成两个目录 ，一个NYT, 一个FilterNYT, 其中LARGE数据集在NYT目录，SMALL数据在FilterNYT内，这里的原始数据分别是从Zeng 2015 以及 Lin2016 的开源代码中获得。
对于LARGE数据:
-
切换到NYT目录下，
-
编译执行extract_cpp目录的extract.cpp:
g++ extract.cpp -o extract, 得到bag_train.txt, bag_test.txt(在NYT目录内)，该cpp是Lin2016预处理的代码 -
切换回主目录：执行数据预处理:
python dataset/nyt.py这样就会在NYT目录下生成一系列的npy文件。
对于SMALL数据
- 直接执行
python dataset/filternyt.py即可在FilterNYT的目录下生成npy文件。
生成的NPY文件，均使用Pytorch的Dataset来直接导入，具体代码见 nyt.py 与filternyt.py 的 *Data类.
数据预处理完毕之后，即可按照上述的命令来训练/测试。
在复现的过程了花了不少功夫，踩了不少坑，简单记一下:
-
优化函数使用
Adadelta而不是Adam, 用SGD也可以，不过不如Adadelta效果好。 -
Zeng 2015的theano代码中，关于select instance 和predict的地方，有些错误（并没有取概率最大的instance)
-
BatchSize相对大一些效果要好（128）
关于结果的说明可以在博客查看。