零样本文本分类应用：基于UTC的医疗意图多分类，打通数据标注-模型训练-模型调优-预测部署全流程。1.通用文本分类技术UTC介绍

本项目提供基于通用文本分类 UTC（Universal Text Classification） 模型微调的文本分类端到端应用方案，打通数据标注-模型训练-模型调优-预测部署全流程，可快速实现文本分类产品落地。

文本分类是一种重要的自然语言处理任务，它可以帮助我们将大量的文本数据进行有效的分类和归纳。实际上，在日常生活中，我们也经常会用到文本分类技术。例如，我们可以使用文本分类来对新闻报道进行分类，对电子邮件进行分类，对社交媒体上的评论进行情感分析等等。但是，文本分类也面临着许多挑战。其中最重要的挑战之一是数据稀缺。由于文本数据往往非常庞大，因此获取足够的训练数据可能非常困难。此外，不同的文本分类任务也可能面临着领域多变和任务多样等挑战。为了应对这些挑战，PaddleNLP推出了一项零样本文本分类应用UTC。该应用通过统一语义匹配方式USM（Unified Semantic Matching）来将标签和文本的语义匹配能力进行统一建模。这种方法可以帮助我们更好地理解文本数据，并从中提取出有用的特征信息。

UTC具有低资源迁移能力，可以支持通用分类、评论情感分析、语义相似度计算、蕴含推理、多项式阅读理解等多种“泛分类”任务。这使得开发者可以更加轻松高效地实现多任务文本分类数据标注、训练、调优和上线，从而降低文本分类技术门槛。

(资料图)

总之，文本分类是一项重要的自然语言处理任务，它可以帮助我们更好地理解和归纳文本数据。尽管它面临着许多挑战，但是通过使用PaddleNLP的零样本文本分类应用UTC，开发者们可以简单高效实现多任务文本分类数据标注、训练、调优、上线，降低文本分类落地技术门槛。

1.1 分类落地面临难度

分类任务看似简单，然而在产业级文本分类落地实践中，面临着诸多挑战：

任务多样：单标签、多标签、层次标签、大规模标签等不同的文本分类任务，需要开发不同的分类模型，模型架构往往特化于具体任务，难以使用统一形式建模；

数据稀缺：部分领域数据稀缺，难以获取，且领域专业性使得数据标注门槛高；

标签迁移：不同领域的标签多样，并且迁移难度大，尤其不同领域间的标签知识很难迁移。

1.2 UTC亮点1.2.1 多任务统一建模

在传统技术方案中，针对不同的分类任务需要构建多个分类模型，模型需单独训练且数据和知识不共享。而在UTC方案下，单个模型能解决所有分类需求，包括但不限于单标签分类、多标签分类、层次标签分类、大规模事件标签检测、蕴含推理、语义相似度计算等，降低了开发成本和机器成本。

1.2.2 零样本分类和小样本迁移能力强

UTC通过大规模多任务预训练后，可以适配不同的行业领域，不同的分类标签，仅标注了几条样本，分类效果就取得大幅提升，大大降低标注门槛和成本。

在医疗、金融、法律等领域中，无需训练数据的零样本情况下UTC效果平均可达到70%+（如下表所示），标注少样本也可带来显著的效果提升：每个标签仅仅标注1条样本后，平均提升了10个点！也就是说，即使在某些场景下表现欠佳，人工标几个样本，丢给模型后就会有大幅的效果提升。

1.3 UTC技术思路

UTC基于百度最新提出的统一语义匹配框架USM（Unified Semantic Matching）[1]，将分类任务统一建模为标签与文本之间的匹配任务，对不同标签的分类任务进行统一建模。具体地说：

为了实现任务架构统一，UTC设计了标签与文本之间的词对连接操作（Label–>CLS-Token Linking），这使得模型能够适应不同领域和任务的标签信息，并按需求进行分类，从而实现了开放域场景下的通用文本分类。例如，对于事件检测任务，可将一系列事件标签拼接为[L]上映[L]夺冠[L]下架 ，然后与原文本一起作为整体输入到UTC中，UTC将不同标签标识符[L]与[CLS]进行匹配，可对不同标签类型的分类任务统一建模，直接上图： 为了实现通用能力共享，让不同领域间的标签知识跨域迁移，UTC构建了统一的异质监督学习方法进行多任务预训练，使不同领域任务具备良好的零/少样本迁移性能。统一的异质监督学习方法主要包括三种不同的监督信号：直接监督：分类任务直接相关的数据集，如情感分类、新闻分类、意图识别等。间接监督：分类任务间接相关的数据集，如选项式阅读理解、问题-文章匹配等。远程监督：标签知识库或层级标题与文本对齐后弱标注数据。

更多内容参考论文见文末链接 or fork一下项目论文已上传

2.文本分类任务Label Studio教程2.1 Label Studio安装

以下标注示例用到的环境配置：

Python 3.8+label-studio == 1.7.2

在终端(terminal)使用pip安装label-studio：

pip install label-studio==1.7.2

安装完成后，运行以下命令行：

label-studio start

在浏览器打开http://localhost:8080/，输入用户名和密码登录，开始使用label-studio进行标注。

2.2 文本分类任务标注2.2.1 项目创建

点击创建（Create）开始创建一个新的项目，填写项目名称、描述，然后在Labeling Setup中选择Text Classification。

填写项目名称、描述 数据上传，从本地上传txt格式文件，选择List of tasks，然后选择导入本项目 设置任务，添加标签 数据上传

项目创建后，可在Project/文本分类任务中点击Import继续导入数据，同样从本地上传txt格式文件，选择List of tasks。

2.2.2 标签构建

项目创建后，可在Setting/Labeling Interface中继续配置标签，

默认模式为单标签多分类数据标注。对于多标签多分类数据标注，需要将choice的值由single改为multiple。

2.2.3 任务标注 2.2.4 数据导出

勾选已标注文本ID，选择导出的文件类型为JSON，导出数据：

参考链接：

Label Studio3.数据转换

将导出的文件重命名为label_studio.json后，放入./data目录下。通过label_studio.py脚本可转为UTC的数据格式。

在数据转换阶段，还需要提供标签候选信息，放在./data/label.txt文件中，每个标签占一行。例如在医疗意图分类中，标签候选为["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"]，也可通过options参数直接进行配置。

这里提供预先标注好的医疗意图分类数据集的文件，可以运行下面的命令行下载数据集，我们将展示如何使用数据转化脚本生成训练/验证/测试集文件，并使用UTC模型进行微调。

#下载医疗意图分类数据集：!wget https://bj.bcebos.com/paddlenlp/datasets/utc-medical.tar.gz!tar -xvf utc-medical.tar.gz!mv utc-medical data!rm utc-medical.tar.gz

数据集部分展示

[{"id":26092,"annotations":[{"id":59,"completed_by":1,"result":[{"value":{"choices":["注意事项"]},"id":"7iya31L9oc","from_name":"sentiment","to_name":"text","type":"choices","origin":"manual"}],"was_cancelled":false,"ground_truth":false,"created_at":"2023-01-09T07:13:18.982993Z","updated_at":"2023-01-09T07:13:18.983032Z","lead_time":4.022,"prediction":{},"result_count":0,"task":26092,"parent_prediction":null,"parent_annotation":null}],"file_upload":"838fb89a-10-shot.txt","drafts":[],"predictions":[],"data":{"text":"烧氧割要注意那些问题"},"meta":{},"created_at":"2023-01-09T06:48:10.725717Z","updated_at":"2023-01-09T07:13:19.022666Z","inner_id":35,"total_annotations":1,"cancelled_annotations":0,"total_predictions":0,"comment_count":0,"unresolved_comment_count":0,"last_comment_updated_at":null,"project":5,"updated_by":1,"comment_authors":[]},{"id":26091,"annotations":[{"id":4,"completed_by":1,"result":[{"value":{"choices":["病因分析"]}]

# 生成训练/验证集文件：!python label_studio.py \    --label_studio_file ./data/utc-medical/label_studio.json \    --save_dir ./data \    --splits 0.8 0.1 0.1 \    --options ./data/utc-medical/label.txt

[2023-04-14 11:28:46,056] [    INFO] - Save 45 examples to ./data/train.txt.[2023-04-14 11:28:46,057] [    INFO] - Save 6 examples to ./data/dev.txt.[2023-04-14 11:28:46,057] [    INFO] - Save 6 examples to ./data/test.txt.[2023-04-14 11:28:46,057] [    INFO] - Finished! It takes 0.00 seconds

{"text_a": "老年痴呆的症状有哪些", "text_b": "", "question": "", "choices": ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"], "labels": [5]}

label_studio_file: 从label studio导出的数据标注文件。save_dir: 训练数据的保存目录，默认存储在data目录下。splits: 划分数据集时训练集、验证集所占的比例。默认为[0.8, 0.1, 0.1]表示按照8:1:1的比例将数据划分为训练集、验证集和测试集。options: 指定分类任务的类别标签。若输入类型为文件，则文件中每行一个标签。is_shuffle: 是否对数据集进行随机打散，默认为True。seed: 随机种子，默认为1000.

备注：

默认情况下 label_studio.py 脚本会按照比例将数据划分为 train/dev/test 数据集每次执行 label_studio.py 脚本，将会覆盖已有的同名数据文件对于从label_studio导出的文件，默认文件中的每条数据都是经过人工正确标注的。

使用Label Studio 数据标注工具进行标注，如果已有标注好的本地数据集，我们需要将数据集整理为文档要求的格式，

4.模型训练预测

多任务训练场景可分别进行数据转换再进行混合：通用分类、评论情感分析、语义相似度计算、蕴含推理、多项式阅读理解等众多“泛分类”任务

##代码结构├── deploy/simple_serving/ # 模型部署脚本├── utils.py               # 数据处理工具├── run_train.py           # 模型微调脚本├── run_eval.py            # 模型评估脚本├── label_studio.py        # 数据格式转换脚本├── label_studio_text.md   # 数据标注说明文档└── README.md

4.1 模型微调

推荐使用 PromptTrainer API 对模型进行微调，该 API 封装了提示定义功能，且继承自 Trainer API 。只需输入模型、数据集等就可以使用 Trainer API 高效快速地进行预训练、微调等任务，可以一键启动多卡训练、混合精度训练、梯度累积、断点重启、日志显示等功能，Trainer API 还针对训练过程的通用训练配置做了封装，比如：优化器、学习率调度等。

使用下面的命令，使用 utc-base作为预训练模型进行模型微调，将微调后的模型保存至output_dir：

4.1.1 单卡训练

#安装最新版本paddlenlp!pip install --upgrade paddlenlp

# 单卡启动：!python run_train.py  \    --device gpu \    --logging_steps 10 \    --save_steps 10 \    --eval_steps 10 \    --seed 1000 \    --model_name_or_path utc-base \    --output_dir ./checkpoint/model_best \    --dataset_path ./data/ \    --max_seq_length 512  \    --per_device_train_batch_size 2 \    --per_device_eval_batch_size 2 \    --gradient_accumulation_steps 8 \    --num_train_epochs 20 \    --learning_rate 1e-5 \    --do_train \    --do_eval \    --do_export \    --export_model_dir ./checkpoint/model_best \    --overwrite_output_dir \    --disable_tqdm True \    --metric_for_best_model macro_f1 \    --load_best_model_at_end  True \    --save_total_limit 1 \    --save_plm

eval_loss: 0.3148668706417084, eval_micro_f1: 0.9848484848484849, eval_macro_f1: 0.9504132231404958, eval_runtime: 0.0757, eval_samples_per_second: 79.286, eval_steps_per_second: 39.643, epoch: 19.6957[2023-04-13 17:02:45,941] [    INFO] -   epoch                    =    19.6957[2023-04-13 17:02:45,941] [    INFO] -   train_loss               =     0.9758[2023-04-13 17:02:45,942] [    INFO] -   train_runtime            = 0:00:45.91[2023-04-13 17:02:45,942] [    INFO] -   train_samples_per_second =     19.602[2023-04-13 17:02:45,942] [    INFO] -   train_steps_per_second   =      0.871

二分类时需要注意的问题

ModuleNotFoundError: No module named "fast_tokenizer"

安装一下fast tokenizerpip install --upgrade fast_tokenizer

开启single_label时需要将运行脚本中的 metric_for_best_model 参数改为accuracy

metric_value = metrics[metric_to_check]KeyError: "eval_macro_f1"

4.1.2 多卡训练

如果在GPU环境中使用，可以指定gpus参数进行多卡训练：

# !python -u -m paddle.distributed.launch --gpus "0,1,2,3" run_train.py \#     --device gpu \#     --logging_steps 10 \#     --save_steps 10 \#     --eval_steps 10 \#     --seed 1000 \#     --model_name_or_path utc-base \#     --output_dir ./checkpoint/model_best \#     --dataset_path ./data/ \#     --max_seq_length 512  \#     --per_device_train_batch_size 2 \#     --per_device_eval_batch_size 2 \#     --gradient_accumulation_steps 8 \#     --num_train_epochs 20 \#     --learning_rate 1e-5 \#     --do_train \#     --do_eval \#     --do_export \#     --export_model_dir ./checkpoint/model_best \#     --overwrite_output_dir \#     --disable_tqdm True \#     --metric_for_best_model macro_f1 \#     --load_best_model_at_end  True \#     --save_total_limit 1 \#     --save_plm

该示例代码中由于设置了参数 --do_eval，因此在训练完会自动进行评估。

可配置参数说明：

single_label: 每条样本是否只预测一个标签。默认为False，表示多标签分类。device: 训练设备，可选择 "cpu"、"gpu" 其中的一种；默认为 GPU 训练。logging_steps: 训练过程中日志打印的间隔 steps 数，默认10。save_steps: 训练过程中保存模型 checkpoint 的间隔 steps 数，默认100。eval_steps: 训练过程中保存模型 checkpoint 的间隔 steps 数，默认100。seed：全局随机种子，默认为 42。model_name_or_path：进行 few shot 训练使用的预训练模型。默认为 "utc-base", 可选"utc-xbase", "utc-base", "utc-medium", "utc-mini", "utc-micro", "utc-nano", "utc-pico"。output_dir：必须，模型训练或压缩后保存的模型目录；默认为 None。dataset_path：数据集文件所在目录；默认为 ./data/。train_file：训练集后缀；默认为 train.txt。dev_file：开发集后缀；默认为 dev.txt。max_seq_len：文本最大切分长度，包括标签的输入超过最大长度时会对输入文本进行自动切分，标签部分不可切分，默认为512。per_device_train_batch_size:用于训练的每个 GPU 核心/CPU 的batch大小，默认为8。per_device_eval_batch_size:用于评估的每个 GPU 核心/CPU 的batch大小，默认为8。num_train_epochs: 训练轮次，使用早停法时可以选择 100；默认为10。learning_rate：训练最大学习率，UTC 推荐设置为 1e-5；默认值为3e-5。do_train:是否进行微调训练，设置该参数表示进行微调训练，默认不设置。do_eval:是否进行评估，设置该参数表示进行评估，默认不设置。do_export:是否进行导出，设置该参数表示进行静态图导出，默认不设置。export_model_dir:静态图导出地址，默认为None。overwrite_output_dir： 如果 True，覆盖输出目录的内容。如果 output_dir指向检查点目录，则使用它继续训练。disable_tqdm： 是否使用tqdm进度条。metric_for_best_model：最优模型指标, UTC 推荐设置为 macro_f1，默认为None。load_best_model_at_end：训练结束后是否加载最优模型，通常与metric_for_best_model配合使用，默认为False。save_total_limit：如果设置次参数，将限制checkpoint的总数。删除旧的checkpoints 输出目录，默认为None。--save_plm：保存模型进行推理部署4.2 模型评估

通过运行以下命令进行模型评估预测：

!python run_eval.py \    --model_path ./checkpoint/model_best \    --test_path ./data/test.txt \    --per_device_eval_batch_size 16 \    --max_seq_len 512 \    --output_dir ./checkpoint_test

测试结果

[2023-04-13 17:06:59,413] [    INFO] -   test_loss               =     1.6392[2023-04-13 17:06:59,413] [    INFO] -   test_macro_f1           =     0.8167[2023-04-13 17:06:59,413] [    INFO] -   test_micro_f1           =     0.9394[2023-04-13 17:06:59,413] [    INFO] -   test_runtime            = 0:00:00.87[2023-04-13 17:06:59,413] [    INFO] -   test_samples_per_second =      6.835[2023-04-13 17:06:59,413] [    INFO] -   test_steps_per_second   =      1.139

可配置参数说明：

model_path: 进行评估的模型文件夹路径，路径下需包含模型权重文件model_state.pdparams及配置文件model_config.json。test_path: 进行评估的测试集文件。per_device_eval_batch_size: 批处理大小，请结合机器情况进行调整，默认为16。max_seq_len: 文本最大切分长度，输入超过最大长度时会对输入文本进行自动切分，默认为512。single_label: 每条样本是否只预测一个标签。默认为False，表示多标签分类。4.3模型预测

paddlenlp.Taskflow装载定制模型，通过task_path指定模型权重文件的路径，路径下需要包含训练好的模型权重文件model_state.pdparams。

!pip install onnxruntime-gpu onnx onnxconverter-common!pip install paddle2onnx#如果出现这个报错 local variable "paddle2onnx" referenced before assignment ，请安装上述库onnx 的包需要安装#中途出现一些警告可以忽视

from pprint import pprintfrom paddlenlp import Taskflowschema = ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"]# my_cls = Taskflow("zero_shot_text_classification", model="utc-base", schema=schema, task_path="/home/aistudio/checkpoint/model_best/plm", precision="fp16")my_cls = Taskflow("zero_shot_text_classification", model="utc-base", schema=schema, task_path="/home/aistudio/checkpoint/model_best/plm")#支持FP16半精度推理加速,需要安装onnxpprint(my_cls(["老年斑为什么都长在面部和手背上","老成都市哪家内痔医院比较好怎么样最好？","中性粒细胞比率偏低"]))

[2023-04-14 11:45:11,057] [    INFO] - We are using  to load "utc-base".[2023-04-14 11:45:11,059] [    INFO] - Already cached /home/aistudio/.paddlenlp/models/utc-base/utc_base_vocab.txt[2023-04-14 11:45:11,083] [    INFO] - tokenizer config file saved in /home/aistudio/.paddlenlp/models/utc-base/tokenizer_config.json[2023-04-14 11:45:11,085] [    INFO] - Special tokens file saved in /home/aistudio/.paddlenlp/models/utc-base/special_tokens_map.json[2023-04-14 11:45:11,088] [    INFO] - Assigning ["[O-MASK]"] to the additional_special_tokens key of the tokenizer[{"predictions": [{"label": "病因分析", "score": 0.7360146263899581}],  "text_a": "老年斑为什么都长在面部和手背上"}, {"predictions": [{"label": "就医建议", "score": 0.9940570944549809}],  "text_a": "老成都市哪家内痔医院比较好怎么样最好？"}, {"predictions": [{"label": "指标解读", "score": 0.6683004187689248}],  "text_a": "中性粒细胞比率偏低"}]

from pprint import pprintfrom paddlenlp import Taskflowschema = ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"]my_cls = Taskflow("zero_shot_text_classification", model="utc-base", schema=schema)pprint(my_cls(["老年斑为什么都长在面部和手背上","老成都市哪家内痔医院比较好怎么样最好？","中性粒细胞比率偏低"]))

[2023-04-14 11:45:20,869] [    INFO] - We are using  to load "utc-base".[2023-04-14 11:45:20,872] [    INFO] - Already cached /home/aistudio/.paddlenlp/models/utc-base/utc_base_vocab.txt[2023-04-14 11:45:20,897] [    INFO] - tokenizer config file saved in /home/aistudio/.paddlenlp/models/utc-base/tokenizer_config.json[2023-04-14 11:45:20,900] [    INFO] - Special tokens file saved in /home/aistudio/.paddlenlp/models/utc-base/special_tokens_map.json[2023-04-14 11:45:20,903] [    INFO] - Assigning ["[O-MASK]"] to the additional_special_tokens key of the tokenizer[{"predictions": [], "text_a": "老年斑为什么都长在面部和手背上"}, {"predictions": [{"label": "就医建议", "score": 0.9283481315032535},                  {"label": "其他", "score": 0.5083715719139965}],  "text_a": "老成都市哪家内痔医院比较好怎么样最好？"}, {"predictions": [{"label": "其他", "score": 0.9437889944553786}],  "text_a": "中性粒细胞比率偏低"}]

4.3.1 预测结果对比

模型	文本	预测结果	评估得分
utc-base	老年斑为什么都长在面部和手背上	空	---
utc-base	老成都市哪家内痔医院比较好怎么样最好？	就医建议/其他	0.92/0.51
utc-base	中性粒细胞比率偏低	其他	0.94
utc-base+微调	老年斑为什么都长在面部和手背上	病因分析	0.73
utc-base+微调	老成都市哪家内痔医院比较好怎么样最好？	就医建议	0.99
utc-base+微调	中性粒细胞比率偏低	指标解读	0.66

明显可以看到在通过样本训练后，在test测试的结果小样本本微调的结果显著提升

4.3.2 各个模型见对比

Micro F1更关注整个数据集的性能，而Macro F1更关注每个类别的性能。

医疗意图分类数据集 KUAKE-QIC 验证集 zero-shot 实验指标和小样本下训练对比：

Macro F1	Micro F1	微调后 Macro F1	微调后 Micro F1
utc-xbase	66.30	89.67
utc-base	64.13	89.06	81.67（+17.54）	93.94 （+4.88）
utc-medium	69.62	89.15
utc-micro	60.31	79.14
utc-mini	65.82	89.82
utc-nano	62.03	80.92
utc-pico	53.63	83.57

其余模型就不一一验证了，感兴趣同学自行验证。

5.模型部署

目前 UTC 模型提供基于多种部署方式，包括基于 FastDeploy 的本地 Python 部署以及 PaddleNLP SimpleServing 的服务化部署。

5.1 FastDeploy UTC 模型 Python 部署示例

以下示例展示如何基于 FastDeploy 库完成 UTC 模型完成通用文本分类任务的 Python 预测部署，可通过命令行参数--device以及--backend指定运行在不同的硬件以及推理引擎后端，并使用--model_dir参数指定运行的模型。模型目录为 application/zero_shot_text_classification/checkpoint/model_best（用户可按实际情况设置）。

在部署前，参考 FastDeploy SDK 安装文档安装 FastDeploy Python SDK。

本目录下提供 infer.py快速完成在 CPU/GPU 的通用文本分类任务的 Python 部署示例。

依赖安装

直接执行以下命令安装部署示例的依赖。

# 安装 fast_tokenizer 以及 GPU 版本 fastdeploypip install fast-tokenizer-python fastdeploy-gpu-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html

以下示例展示如何基于 FastDeploy 库完成 UTC 模型进行文本分类任务的 Python 预测部署，可通过命令行参数--device以及--backend指定运行在不同的硬件以及推理引擎后端，并使用--model_dir参数指定运行的模型，具体参数设置可查看下面[参数说明])。示例中的模型是按照 [UTC 训练文档]导出得到的部署模型，其模型目录为 application/zero_shot_text_classification/checkpoint/model_best（用户可按实际情况设置）。

# CPU 推理python /home/aistudio/deploy/python/infer.py--model_dir /home/aistudio/checkpoint/model_best --device cpu# GPU 推理python /home/aistudio/deploy/python/infer.py --model_dir /home/aistudio/checkpoint/model_best --device gpu

运行完成后返回的结果如下：

参数说明

参数	参数说明
--model_dir	指定部署模型的目录，
--batch_size	输入的batch size，默认为 1
--max_length	最大序列长度，默认为 128
--num_omask_tokens	最大标签数量，默认为64
--device	运行的设备，可选范围: ["cpu", "gpu"]，默认为"cpu"
--device_id	运行设备的id。默认为0。
--cpu_threads	当使用cpu推理时，指定推理的cpu线程数，默认为1。
--backend	支持的推理后端，可选范围: ["onnx_runtime", "paddle", "tensorrt", "paddle_tensorrt"]，默认为"paddle"
--use_fp16	是否使用FP16模式进行推理。使用tensorrt和paddle_tensorrt后端时可开启，默认为False

FastDeploy 高阶用法

FastDeploy 在 Python 端上，提供 fastdeploy.RuntimeOption.use_xxx()以及 fastdeploy.RuntimeOption.use_xxx_backend()接口支持开发者选择不同的硬件、不同的推理引擎进行部署。在不同的硬件上部署 UTC 模型，需要选择硬件所支持的推理引擎进行部署，下表展示如何在不同的硬件上选择可用的推理引擎部署 UTC 模型。

符号说明: (1) ✅: 已经支持; (2) ❔: 正在进行中; (3) N/A: 暂不支持;

硬件	硬件对应的接口	可用的推理引擎	推理引擎对应的接口	是否支持 Paddle 新格式量化模型	是否支持 FP16 模式
CPU	use_cpu()	Paddle Inference	use_paddle_infer_backend()	✅	N/A
		ONNX Runtime	use_ort_backend()	✅	N/A
GPU	use_gpu()	Paddle Inference	use_paddle_infer_backend()	✅	N/A
		ONNX Runtime	use_ort_backend()	✅	❔
		Paddle TensorRT	use_paddle_infer_backend() + paddle_infer_option.enable_trt = True	✅	✅
		TensorRT	use_trt_backend()	✅	✅
昆仑芯 XPU	use_kunlunxin()	Paddle Lite	use_paddle_lite_backend()	N/A	✅
华为 昇腾	use_ascend()	Paddle Lite	use_paddle_lite_backend()	❔	✅
Graphcore IPU	use_ipu()	Paddle Inference	use_paddle_infer_backend()	❔	N/A

# !pip install --user fast-tokenizer-python fastdeploy-gpu-python -f https://www.paddlepaddle.org.cn/whl/fastdeploy.html#比较大1.4G 去终端安装

在notebook执行出现问题，可能需要本地对fastdeploy应用调试，或者有小伙伴解决了可以再评论区发表一下，一起解决。

在studio 目前显示是安装成功了，但是初始化是失败的

File "/home/aistudio/.data/webide/pip/lib/python3.7/site-packages/fastdeploy/c_lib_wrap.py", line 166, in     raise RuntimeError("FastDeploy initalized failed!")RuntimeError: FastDeploy initalized failed!

在本地测试模型使用了utc-pico，cpu情况下调试。

效果如下:

记得修改infer文件对应的预测内容

predictor = Predictor(args, schema=["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"])    results = predictor.predict(["月经期间刮痧拔罐会引起身体什么","老年斑为什么都长在面部和手背上","成都市哪家内痔医院比较好怎么样最好？","中性粒细胞比率偏低"])

推理：模型目录需要包含：model.pdmodel等文件

5.2 SimpleServing 的服务化部署

在 UTC 的服务化能力中我们提供基于PaddleNLP SimpleServing 来搭建服务化能力，通过几行代码即可搭建服务化部署能力。

环境准备

使用有SimpleServing功能的PaddleNLP版本(或者最新的develop版本)

pip install paddlenlp >= 2.5.0

Server服务启动

进入文件当前所在路径

paddlenlp server server:app --workers 1 --host 0.0.0.0 --port 8190

Client请求启动

python client.py

服务化自定义参数

Server 自定义参数

schema替换

# Default schemaschema = ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"]

* 设置模型路径

# Default task_pathutc = Taskflow("zero_shot_text_classification", model="utc-base", task_path="../../checkpoint/model_best/plm", schema=schema)

* 多卡服务化预测

PaddleNLP SimpleServing 支持多卡负载均衡预测，主要在服务化注册的时候，注册两个Taskflow的task即可，下面是示例代码

utc1 = Taskflow("zero_shot_text_classification", model="utc-base", task_path="../../checkpoint/model_best", schema=schema)utc2 = Taskflow("zero_shot_text_classification", model="utc-base", task_path="../../checkpoint/model_best", schema=schema)service.register_taskflow("taskflow/utc", [utc1, utc2])

更多配置

from paddlenlp import Taskflowschema = ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"]utc = Taskflow("zero_shot_text_classification",                   schema=schema,                   model="utc-base",                   max_seq_len=512,                   batch_size=1,                   pred_threshold=0.5,                   precision="fp32")

schema：定义任务标签候选集合。

model：选择任务使用的模型，默认为utc-base, 可选有utc-xbase, utc-base, utc-medium, utc-micro, utc-mini, utc-nano, utc-pico。

max_seq_len：最长输入长度，包括所有标签的长度，默认为512。

batch_size：批处理大小，请结合机器情况进行调整，默认为1。

pred_threshold：模型对标签预测的概率在0～1之间，返回结果去掉小于这个阈值的结果，默认为0.5。

precision：选择模型精度，默认为fp32，可选有fp16和fp32。fp16推理速度更快。如果选择fp16，请先确保机器正确安装NVIDIA相关驱动和基础软件，确保CUDA>=11.2，cuDNN>=8.1.1，初次使用需按照提示安装相关依赖。其次，需要确保GPU设备的CUDA计算能力（CUDA Compute Capability）大于7.0，典型的设备包括V100、T4、A10、A100、GTX 20系列和30系列显卡等。更多关于CUDA Compute Capability和精度支持情况请参考NVIDIA文档：GPU硬件与支持精度对照表。

Client 自定义参数

# Changed to input texts you wantedtexts = ["中性粒细胞比率偏低"]

%cd /home/aistudio/deploy/simple_serving!paddlenlp server server:app --workers 1 --host 0.0.0.0 --port 8190#Error loading ASGI app. Could not import module "server".#去终端执行即可

/home/aistudio/deploy/simple_serving[2023-04-13 18:26:51,839] [    INFO] - starting to PaddleNLP SimpleServer...[2023-04-13 18:26:51,840] [    INFO] - The PaddleNLP SimpleServer is starting, backend component uvicorn arguments as follows:[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [host]=0.0.0.0[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [port]=8190[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [log_level]=None[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [workers]=1[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [limit_concurrency]=None[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [limit_max_requests]=None[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [timeout_keep_alive]=15[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [app_dir]=/home/aistudio/deploy/simple_serving[2023-04-13 18:26:51,840] [    INFO] -    the starting argument [reload]=False[2023-04-13 18:26:52,037] [    INFO] - We are using  to load "utc-base".[2023-04-13 18:26:52,038] [    INFO] - Already cached /home/aistudio/.paddlenlp/models/utc-base/utc_base_vocab.txt[2023-04-13 18:26:52,067] [    INFO] - tokenizer config file saved in /home/aistudio/.paddlenlp/models/utc-base/tokenizer_config.json[2023-04-13 18:26:52,067] [    INFO] - Special tokens file saved in /home/aistudio/.paddlenlp/models/utc-base/special_tokens_map.json[2023-04-13 18:26:52,069] [    INFO] - Assigning ["[O-MASK]"] to the additional_special_tokens key of the tokenizer[2023-04-13 18:26:55,628] [    INFO] -    Taskflow  request [path]=/taskflow/utc is genereated.INFO:     Started server process [1718]INFO:     Waiting for application startup.INFO:     Application startup complete.INFO:     Uvicorn running on http://0.0.0.0:8190 (Press CTRL+C to quit)^CINFO:     Shutting downINFO:     Waiting for application shutdown.INFO:     Application shutdown complete.INFO:     Finished server process [1718]

在notebook如果不行，可以直接进入终端进行调试，需要注意的是要在同一个路径下不然会报错

# Save at server.pyfrom paddlenlp import SimpleServer, Taskflowschema = ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议"]utc = Taskflow("zero_shot_text_classification",               model="utc-base",               schema=schema,               task_path="/home/aistudio/checkpoint/model_best/plm",               precision="fp32")app = SimpleServer()app.register_taskflow("taskflow/utc", utc)

# %cd /home/aistudio/deploy/simple_serving!python client.py

6.总结原项目链接：

https://blog.csdn.net/sinat_39620217/article/details/130237035

原文文末含码源以及地址

Macro F1和Micro F1都是评估分类模型性能的指标，但是它们计算方式不同。

Macro F1是每个类别的F1值的平均值，不考虑类别的样本数。它适用于数据集中各个类别的样本数量相近的情况下，可以更好地反映每个类别的性能。

Micro F1是所有类别的F1值的加权平均，其中权重为每个类别的样本数。它将所有类别的预测结果汇总为一个混淆矩阵，并计算出整个数据集的精确率、召回率和F1值。Micro F1适用于多分类问题，尤其是在数据集不平衡的情况下，可以更好地反映整体的性能。

总之，Micro F1更关注整个数据集的性能，而Macro F1更关注每个类别的性能。

医疗意图分类数据集 KUAKE-QIC 验证集 zero-shot 实验指标和小样本下训练对比：

Macro F1	Micro F1	微调后 Macro F1	微调后 Micro F1
utc-xbase	66.30	89.67
utc-base	64.13	89.06	81.67（+17.54）	93.94 （+4.88）
utc-medium	69.62	89.15
utc-micro	60.31	79.14
utc-mini	65.82	89.82
utc-nano	62.03	80.92
utc-pico	53.63	83.57

6.1 更多任务适配

PaddleNLP结合文心ERNIE，基于UTC技术开源了首个面向通用文本分类的产业级技术方案。对于简单任务，通过调用 paddlenlp.Taskflow API ，仅用三行代码即可实现零样本（Zero-shot）通用文本分类，可支持情感分析、意图识别、语义匹配、蕴含推理等各种可转换为分类问题的NLU任务。仅使用一个模型即可同时支持多个任务，便捷高效！

from pprint import pprintfrom paddlenlp import Taskflow# 情感分析cls = Taskflow("zero_shot_text_classification", schema=["这是一条好评", "这是一条差评"])cls("房间干净明亮，非常不错")>>>[{"predictions": [{"label": "这是一条好评", "score": 0.9695149765679986}], "text_a": "房间干净明亮，非常不错"}]# 意图识别schema = ["病情诊断", "治疗方案", "病因分析", "指标解读", "就医建议", "疾病表述", "后果表述", "注意事项", "功效作用", "医疗费用", "其他"]pprint(cls("先天性厚甲症去哪里治"))>>>[{"predictions": [{"label": "就医建议", "score": 0.9628814210597645}], "text_a": "先天性厚甲症去哪里治"}]# 语义相似度cls = Taskflow("zero_shot_text_classification", schema=["不同", "相同"])pprint(cls([["怎么查看合同", "从哪里可以看到合同"], ["为什么一直没有电话来确认借款信息", "为何我还款了，今天却接到客服电话通知"]]))>>>[{"predictions": [{"label": "相同", "score": 0.9775065319076257}],"text_a": "怎么查看合同","text_b": "从哪里可以看到合同"},{"predictions": [{"label": "不同", "score": 0.9918983379165037}],"text_a": "为什么一直没有电话来确认借款信息","text_b": "为何我还款了，今天却接到客服电话通知"}]# 蕴含推理cls = Taskflow("zero_shot_text_classification", schema=["中立", "蕴含", "矛盾"])pprint(cls([["一个骑自行车的人正沿着一条城市街道朝一座有时钟的塔走去。", "骑自行车的人正朝钟楼走去。"],          ["一个留着长发和胡须的怪人，在地铁里穿着一件颜色鲜艳的衬衫。", "这件衬衫是新的。"],          ["一个穿着绿色衬衫的妈妈和一个穿全黑衣服的男人在跳舞。", "两人都穿着白色裤子。"]]))>>>[{"predictions": [{"label": "蕴含", "score": 0.9944843058584897}], "text_a": "一个骑自行车的人正沿着一条城市街道朝一座有时钟的塔走去。","text_b": "骑自行车的人正朝钟楼走去。"},{"predictions": [{"label": "中立", "score": 0.6659998351201399}], "text_a": "一个留着长发和胡须的怪人，在地铁里穿着一件颜色鲜艳的衬衫。","text_b": "这件衬衫是新的。"},{"predictions": [{"label": "矛盾", "score": 0.9270557883904931}], "text_a": "一个穿着绿色衬衫的妈妈和一个穿全黑衣服的男人在跳舞。","text_b": "两人都穿着白色裤子。"}]