如何创建自己的Module¶
一、 准备工作¶
模型基本信息¶
我们准备编写一个PaddleHub Module,Module的基本信息如下:
name: senta_test
version: 1.0.0
summary: This is a PaddleHub Module. Just for test.
author: anonymous
author_email:
type: nlp/sentiment_analysis
Module存在一个接口predict,用于接收传入图片,并得到最终输出的结果,支持python接口调用和命令行调用。
import paddlehub as hub
senta_test = hub.Module(name="senta_test")
senta_test.sentiment_classify(texts=["这部电影太差劲了"])
hub run senta_test --input_text 这部电影太差劲了
策略¶
为了示例代码简单起见,我们使用一个非常简单的情感判断策略,当输入文本中带有词表中指定单词时,则判断文本倾向为负向,否则为正向
二、创建Module¶
步骤1. 创建必要的目录与文件¶
创建一个senta_test的目录,并在senta_test目录下分别创建module.py、processor.py、vocab.list,其中
$ tree senta_test
senta_test/
├── vocab.list
├── module.py
└── processor.py
File Name |
Purpose |
---|---|
module.py |
主模块,提供Module的实现代码 |
processor.py |
辅助模块,提供词表加载的方法 |
vocab.list |
存放词表 |
步骤2. 实现辅助模块processor¶
在processor.py中实现一个load_vocab接口用于读取词表
def load_vocab(vocab_path):
with open(vocab_path) as file:
return file.read().split()
步骤3. 编写Module处理代码¶
module.py文件为Module的入口代码所在,我们需要在其中实现预测逻辑。
步骤 3_1. 引入必要的头文件¶
import argparse
import os
import paddlehub as hub
from paddlehub.module.module import runnable, moduleinfo
from senta_test.processor import load_vocab
注解
当引用Module中模块时,需要输入全路径,如senta_test.processor
步骤 3_2. 定义SentaTest类¶
module.py中需要有一个继承了hub.Module的类存在,该类负责实现预测逻辑,并使用moduleinfo填写基本信息。当使用hub.Module(name=”senta_test”)加载Module时,PaddleHub会自动创建SentaTest的对象并返回。
@moduleinfo(
name="senta_test",
version="1.0.0",
summary="This is a PaddleHub Module. Just for test.",
author="anonymous",
author_email="",
type="nlp/sentiment_analysis",
)
class SentaTest:
...
步骤 3_3. 执行必要的初始化¶
@moduleinfo(
name="senta_test",
version="1.0.0",
summary="This is a PaddleHub Module. Just for test.",
author="anonymous",
author_email="",
type="nlp/sentiment_analysis",
)
class SentaTest:
def __init__(self):
# add arg parser
self.parser = argparse.ArgumentParser(
description="Run the senta_test module.",
prog='hub run senta_test',
usage='%(prog)s',
add_help=True)
self.parser.add_argument(
'--input_text', type=str, default=None, help="text to predict")
# load word dict
vocab_path = os.path.join(self.directory, "vocab.list")
self.vocab = load_vocab(vocab_path)
...
注解
执行类对象默认内置了directory属性,可以直接获取到Module所在路径
步骤 3_4: 完善预测逻辑¶
@moduleinfo(
name="senta_test",
version="1.0.0",
summary="This is a PaddleHub Module. Just for test.",
author="anonymous",
author_email="",
type="nlp/sentiment_analysis",
)
class SentaTest:
...
def sentiment_classify(self, texts):
results = []
for text in texts:
sentiment = "positive"
for word in self.vocab:
if word in text:
sentiment = "negative"
break
results.append({"text":text, "sentiment":sentiment})
return results
...
步骤 3_5. 支持命令行调用¶
如果希望Module可以支持命令行调用,则需要提供一个经过runnable修饰的接口,接口负责解析传入数据并进行预测,将结果返回。
如果不需要提供命令行预测功能,则可以不实现该接口,PaddleHub在用命令行执行时,会自动发现该Module不支持命令行方式,并给出提示。
@moduleinfo(
name="senta_test",
version="1.0.0",
summary="This is a PaddleHub Module. Just for test.",
author="anonymous",
author_email="",
type="nlp/sentiment_analysis",
)
class SentaTest:
...
@runnable
def run_cmd(self, argvs):
args = self.parser.parse_args(argvs)
texts = [args.input_text]
return self.sentiment_classify(texts)
...
步骤 3_6. 支持serving调用¶
如果希望Module可以支持PaddleHub Serving部署预测服务,则需要提供一个经过serving修饰的接口,接口负责解析传入数据并进行预测,将结果返回。
如果不需要提供PaddleHub Serving部署预测服务,则可以不需要加上serving修饰。
@moduleinfo(
name="senta_test",
version="1.0.0",
summary="This is a PaddleHub Module. Just for test.",
author="anonymous",
author_email="",
type="nlp/sentiment_analysis",
)
class SentaTest:
...
@serving
def sentiment_classify(self, texts):
results = []
for text in texts:
sentiment = "positive"
for word in self.vocab:
if word in text:
sentiment = "negative"
break
results.append({"text":text, "sentiment":sentiment})
return results
完整代码¶
三、安装并测试Module¶
完成Module编写后,我们可以通过以下方式测试该Module
调用方法1¶
将Module安装到本机中,再通过Hub.Module(name=…)加载
$ hub install senta_test
import paddlehub as hub
senta_test = hub.Module(name="senta_test")
senta_test.sentiment_classify(texts=["这部电影太差劲了"])
调用方法2¶
直接通过Hub.Module(directory=…)加载
import paddlehub as hub
senta_test = hub.Module(directory="senta_test/")
senta_test.sentiment_classify(texts=["这部电影太差劲了"])
调用方法3¶
将Module安装到本机中,再通过hub run运行
$ hub install senta_test
$ hub run senta_test --input_text "这部电影太差劲了"