本期分析Senta中的评估标准Metric
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import time
import numpy as np
from scipy.stats import pearsonr, spearmanr
from six.moves import xrange
import paddle.fluid as fluid
from functools import partial
def scale_l2(x, norm_length):
"""
# copy lines from here https://github.com/tensorflow/models/blob/master/research/adversarial_text/adversarial_losses.py#L190
# shape(x) = (batch, num_timesteps, d)
# Divide x by max(abs(x)) for a numerically stable L2 norm.
# 2norm(x) = a * 2norm(x/a)
# Scale over the full sequence, dims (1, 2)
"""
alpha = fluid.layers.reduce_max(fluid.layers.abs(x), dim=1, keep_dim=True) + 1e-12
l2_norm = alpha * fluid.layers.sqrt(
fluid.layers.reduce_sum(fluid.layers.pow(x / alpha), dim=1, keep_dim=True) + 1e-6)
x_unit = x / l2_norm
return norm_length * x_unit
paddle.fluid.layers.reduce_max(input, dim=None, keep_dim=False, name=None) ：对指定维度上的Tensor元素求最大值运算，并输出相应的计算结果。
input （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。
dim （list | int ，可选）- 求最大值运算的维度。如果为None，则计算所有元素的最大值并返回包含单个元素的Tensor变量，否则必须在 [−rank(input),rank(input)] 范围内。如果 dim[i]<0 ，则维度将变为 rank+dim[i] ，默认值为None。
keep_dim （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim 为true，否则结果张量的维度将比输入张量小，默认值为False。
paddle.fluid.layers.abs(x, name=None)
：绝对值激活函数。x (Variable)- 多维Tenosr，数据类型为float32或float64。
paddle.fluid.layers.reduce_sum(input, dim=None, keep_dim=False, name=None) ：
对指定维度上的Tensor元素进行求和运算，并输出相应的计算结果。
input （Variable）- 输入变量为多维Tensor或LoDTensor，支持数据类型为float32，float64，int32，int64。
dim （list | int ，可选）- 求和运算的维度。如果为None，则计算所有元素的和并返回包含单个元素的Tensor变量，否则必须在[−rank(input),rank(input)] 范围内。如果 dim[i]<0 ，则维度将变为 rank+dim[i]
，默认值为None。
keep_dim （bool）- 是否在输出Tensor中保留减小的维度。如 keep_dim
为true，否则结果张量的维度将比输入张量小，默认值为False。
def pgd_loss(ernie, labels, loss, task_fc_fn, epsilon=0.25):
""" refer code from
https://github.com/tensorflow/models/blob/master/research/adversarial_text/adversarial_losses.py#L145
but we didn't use the vat loss for now
"""
#TODO any difference with fleet_main_program or ParallelProgram or TrainProgram?
program = fluid.default_main_program()
param_grads = fluid.backward.append_backward(loss, parameter_list=[ernie._word_emb_name])
# in the VAT paper code, the d is draw from a norm distribution, what's the advantage? why not use the
# gradient of the emb directly?
# d = fluid.layers.random_normal(shape=emb.shape)
d = filter(lambda p: p[0].name == ernie._word_emb_name, param_grads)[0][1]
emb = program.block(0).var(ernie._word_emb_name)
#for _ in range(args.K_iteration):
K_iteration = 8
small_constant_for_finite_diff = 1e-5
emb_hat = emb
d = fluid.layers.gaussian_random(emb.shape)
# it seems it can be implemented by the while loop
for _ in range(K_iteration):
#d = xi * utils_tf.l2_batch_normalize(d)
d = scale_l2(d, small_constant_for_finite_diff)
#logits_d = model.get_logits(x + d)
#kl = utils_tf.kl_with_logits(logits, logits_d)
emb_hat = emb_hat + d
ernie._build_model(emb=emb_hat)
graph_vars = task_fc_fn(ernie, labels)
gradient = filter(lambda p: p[0].name == ernie._word_emb_name, param_grads)[0][1]
gradient.stop_gradient = True
d = gradient
#Hd = tf.gradients(kl, d)[0]
#d = tf.stop_gradient(Hd)
d = scale_l2(d, small_constant_for_finite_diff)
emb_hat = emb_hat + d
ernie._build_model(emb=emb_hat)
graph_vars = task_fc_fn(ernie, labels)
return graph_vars['loss']
paddle.fluid.default_main_program() :
获取当前用于存储op和variable描述信息的 default main program
paddle.fluid.backward.append_backward(loss, parameter_list=None, no_grad_set=None, callbacks=None)
该接口将向主程序（main_program）追加反向部分。 完整的神经网络训练由前向和反向传播组成。但是当我们配置网络时，我们只需要指定其前向部分。
该接口使用链式法则，能够根据前向部分自动生成反向部分。参数： loss ( Variable ) - 网络的损失变量。 parameter_list （list [str]，可选）-指定优化器需要更新的参数名称列表。如果为 None ，则将更新所有参数。默认值为 None。
no_grad_set （set [str]，可选）- 在 block0 ( Block ) 中要忽略梯度的 Variable 的名字的集合。所有的 Block 中带stop_gradient = True 的所有 Variable 的名字都会被自动添加到此集合中。如果该参数不为None，则会将该参数集合的内容添加到默认的集合中。默认值为 None。
callbacks （list [callable object]，可选）- 回调函数列表。用于在反向传播构建中执行一些自定义作业。每次将新的梯度OP添加到程序中时，将调用其中的所有可调用对象。可调用对象必须有两个输入参数：
Block 和 context 。 Block 是将被添加到新梯度算子的块。 context 是一个映射，其键是梯度 Variable名，值是对应的原始 Variable 。除此之外， context 还有另一个特殊的键值对：键是字符串 __ current_op_desc__ ，值是刚刚触发可调用对象的梯度OP的 op_desc 。默认值为 None。
本篇到此结束，下篇将续接本篇继续分析评估标准Metric。
