- 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）
- 2018/09/11更新，AAAI赶完了，感谢大家的star。
- 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
- 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）：
- /dureader/run.py --prepare（数据预处理） --train(训练、预测)
- /dureader/rc_model.py 模型（做修改可从此处着手）
- /dureader/layers 各种层（pointnet，match layer，cudnn rnn）
- /dureader/json_to_sentence.py 从原始json文件中提取文本
- /dureader/pretrain_embedding.py 预训练词向量
- /dureader/SIF.py 参考论文A Simple but Tough-to-Beat Baseline for Sentence Embeddings，但效果不佳。。。
- /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！
- Python >= 3.4
- numpy
- tensorflow-gpu >= 1.9.0
- ujson
- pickle
- tqdm
| 类型 | train | dev | test |
|---|---|---|---|
| 比赛 | 27W | 1W | 2W |
| 开放 | 20W | 1W | 1W |
| 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 |
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 |
- 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
- R-Net本地的两个指标极差，提交的结果倒是正常
- 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