-
Notifications
You must be signed in to change notification settings - Fork 2
/
Copy pathpredict_multi_head_tokens_38.py
269 lines (248 loc) · 15.4 KB
/
predict_multi_head_tokens_38.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
import datasets
import numpy
import os
import pandas
import torch
import transformers
import pandas as pd
import csv
import traceback
from tqdm.auto import tqdm
import torch
import datasets
import numpy
import os
import pandas
import torch
import transformers
from tqdm.auto import tqdm
import torch.utils.checkpoint
from custom_models.multi_head import MultiHead_MultiLabel, MultiHead_MultiLabel_XL, MultiHead_MultiLabel_DebertaV2
from collections import Counter
import warnings
warnings.filterwarnings("ignore")
#################################################################################################################################################################
#################################################################################################################################################################
def compute_positive_weights(df, labels):
counter = Counter()
for label_list in df['labels']:
for idx, label in enumerate(label_list):
if label == 1:
counter[labels[idx]] += 1
total = len(df.index)
pos_weights = []
for label in labels:
if label in counter: # Check if the label exists in the counter
pos_weights.append(total / counter[label])
else:
pos_weights.append(0) # If the label does not exist in the counter, assign a weight of 0
print("Class positive weights: ", pos_weights)
return pos_weights
def preprocess_function(examples):
batch = tokenizer( examples["Text"], padding='max_length', max_length=512, truncation=True,)
return batch
def load_dataset(directory, tokenizer, load_labels=True):
sentences_file_path = os.path.join(directory, "sentences.tsv")
labels_file_path = os.path.join(directory, "labels.tsv")
data_frame = pandas.read_csv(sentences_file_path, encoding="utf-8", sep="\t", header=0).dropna()
data_frame = datasets.Dataset.from_dict(data_frame)
encoded_sentences = data_frame.map( preprocess_function, batched=True, load_from_cache_file=False)
data_frame = pandas.DataFrame({'Text-ID':data_frame['Text-ID'],'Sentence-ID':data_frame['Sentence-ID'],'Text':data_frame['Text']})
if load_labels and os.path.isfile(labels_file_path):
labels_frame = pandas.read_csv(labels_file_path, encoding="utf-8", sep="\t", header=0)
labels_frame = pandas.merge(data_frame, labels_frame, on=["Text-ID", "Sentence-ID"])
###################################### FOR TASK 1 #########################################
# merged_df = pandas.DataFrame()
# merged_df['Text-ID'] = labels_frame['Text-ID']
# merged_df['Sentence-ID'] = labels_frame['Sentence-ID']
# merged_df['Text'] = labels_frame['Text']
# for col_name in labels_frame.columns:
# if col_name.endswith('attained'):
# prefix = col_name[:-9]
# constrained_col_name = f'{prefix} constrained'
# merged_df[prefix] = labels_frame[col_name] + labels_frame[constrained_col_name]
##############################################################################################
labels_matrix = numpy.zeros((labels_frame.shape[0], len(labels)))
for idx, label in enumerate(labels):
if label in labels_frame.columns:
labels_matrix[:, idx] = (labels_frame[label] >= 0.5).astype(int)
encoded_sentences = encoded_sentences.add_column("labels", labels_matrix.tolist())
# encoded_sentences["labels"] = labels_matrix.tolist()
# encoded_sentences = datasets.Dataset.from_dict(encoded_sentences)
return encoded_sentences, data_frame["Text-ID"].to_list(), data_frame["Sentence-ID"].to_list()
def write_tsv_dataframe(filepath, dataframe):
try:
dataframe.to_csv(filepath, encoding='utf-8', sep='\t', index=False, header=True, quoting=csv.QUOTE_NONE)
except IOError:
traceback.print_exc()
#################################################################################################################################################################
#################################################################################################################################################################
values = [ "Self-direction: thought", "Self-direction: action", "Stimulation", "Hedonism", "Achievement", "Power: dominance", "Power: resources", "Face", "Security: personal", "Security: societal", "Tradition", "Conformity: rules", "Conformity: interpersonal", "Humility", "Benevolence: caring", "Benevolence: dependability", "Universalism: concern", "Universalism: nature", "Universalism: tolerance" ]
labels = sum([[value + " attained", value + " constrained"] for value in values], [])
id2label = {idx:label for idx, label in enumerate(labels)}
label2id = {label:idx for idx, label in enumerate(labels)}
#################################################################################################################################################################
#################################################################################################################################################################
finetuned_model ='SotirisLegkas/multi-head-xlm-xl-tokens-38' #"/home/sotirislegkas/touche/task-1_EL_1e-5_XLM-R-large_threshold_output_dir"
tokenizer = transformers.AutoTokenizer.from_pretrained(finetuned_model)
# validation_dataset, validation_text_ids, validation_sentence_ids = load_dataset('/home/vasters/touche24/touche-Sotiris/data/final_test-english', tokenizer) #'/home/sotirislegkas/touche/data/validation'
validation_dataset, validation_text_ids, validation_sentence_ids = load_dataset('/home/vasters/touche24/touche-Sotiris/data/final_test', tokenizer) #'/home/sotirislegkas/touche/data/validation'
#################################################################################################################################################################
#################################################################################################################################################################
validation_dataset=validation_dataset.to_pandas()
# training_dataset=training_dataset.to_pandas()
# weights=compute_positive_weights(training_dataset,labels)
model = MultiHead_MultiLabel_XL.from_pretrained(finetuned_model, problem_type="multi_label_classification")
lang_dict={ 'EN': 0,
'EL': 1,
'DE': 2,
'TR': 3,
'FR': 4,
'BG': 5,
'HE': 6,
'IT': 7,
'NL': 8 }
id2lang_dict={v: k for k, v in lang_dict.items()}
validation_dataset['language'] = validation_dataset['Text-ID'].apply(lambda x: lang_dict[x[:2]])
validation_dataset=datasets.Dataset.from_pandas(validation_dataset)
print(validation_dataset)
#################################################################################################################################################################
#################################################################################################################################################################
def context_data_2(data,idx,sep=' </s> '):
data=data.to_pandas()
new_text=[]
if data['Sentence-ID'][idx]==2:
one_indices = [j for j, label in enumerate(data['pred_labels'][idx-1]) if label == 1]
if one_indices:
text = data['Text'][idx-1]
for k in one_indices:
text=text+f' <{id2label[k]}>'
text = text+sep+data['Text'][idx]
else:
text = data['Text'][idx-1] + ' <NONE>'+ sep+data['Text'][idx]
new_text.append(text)
elif data['Sentence-ID'][idx]>2:
one_indices = [j for j, label in enumerate(data['pred_labels'][idx-1]) if label == 1]
two_indices = [j for j, label in enumerate(data['pred_labels'][idx-2]) if label == 1]
if two_indices:
text = data['Text'][idx-2]
for k in two_indices:
text=text+f' <{id2label[k]}>'
else:
text = data['Text'][idx-2] + ' <NONE>'
if one_indices:
text=text+ sep+ data['Text'][idx-1]
for k in one_indices:
text=text+f' <{id2label[k]}>'
text=text+sep+data['Text'][idx]
else:
text = text +sep+data['Text'][idx-1]+' <NONE>'+sep+data['Text'][idx]
new_text.append(text)
else:
new_text.append(data['Text'][idx])
data = data[['Text-ID', 'Sentence-ID', 'Text','language','pred_labels']][idx:idx+1]
data['Text']=new_text
data=datasets.Dataset.from_pandas(data)
data = data.map(preprocess_function, batched=True, load_from_cache_file=False)
return data
def thresholds(data):
data = torch.sigmoid(torch.tensor(data))
check = torch.zeros_like(data)
check[:, 0] = (data[:, 0] >= 0.1).float()
check[:, 1] = (data[:, 1] >= 0.3).float()
check[:, 2] = (data[:, 2] >= 0.25).float()
check[:, 3] = (data[:, 3] >= 0.25).float()
check[:, 4] = (data[:, 4] >= 0.25).float()
check[:, 5] = (data[:, 5] >= 0.25).float()
check[:, 6] = (data[:, 6] >= 0.35).float()
check[:, 7] = (data[:, 7] >= 0.3).float()
check[:, 8] = (data[:, 8] >= 0.35).float()
check[:, 9] = (data[:, 9] >= 0.25).float()
check[:, 10] = (data[:, 10] >= 0.35).float()
check[:, 11] = (data[:, 11] >= 0.15).float()
check[:, 12] = (data[:, 12] >= 0.2).float()
check[:, 13] = (data[:, 13] >= 0.25).float()
check[:, 14] = (data[:, 14] >= 0.1).float()
check[:, 15] = (data[:, 15] >= 0.2).float()
check[:, 16] = (data[:, 16] >= 0.1).float()
check[:, 17] = (data[:, 17] >= 0.15).float()
check[:, 18] = (data[:, 18] >= 0.2).float()
check[:, 19] = (data[:, 19] >= 0.25).float()
check[:, 20] = (data[:, 20] >= 0.3).float()
check[:, 21] = (data[:, 21] >= 0.25).float()
check[:, 22] = (data[:, 22] >= 0.3).float()
check[:, 23] = (data[:, 23] >= 0.15).float()
check[:, 24] = (data[:, 24] >= 0.1).float()
check[:, 25] = (data[:, 25] >= 0.15).float()
check[:, 26] = (data[:, 26] >= 0.1).float()
check[:, 27] = (data[:, 27] >= 0.0).float()
check[:, 28] = (data[:, 28] >= 0.3).float()
check[:, 29] = (data[:, 29] >= 0.1).float()
check[:, 30] = (data[:, 30] >= 0.15).float()
check[:, 31] = (data[:, 31] >= 0.4).float()
check[:, 32] = (data[:, 32] >= 0.15).float()
check[:, 33] = (data[:, 33] >= 0.2).float()
check[:, 34] = (data[:, 34] >= 0.1).float()
check[:, 35] = (data[:, 35] >= 0.1).float()
check[:, 36] = (data[:, 36] >= 0.25).float()
check[:, 37] = (data[:, 37] >= 0.2).float()
return check
#################################################################################################################################################################
#################################################################################################################################################################
trainer = transformers.Trainer(model=model)
predictions, label, metrics = trainer.predict(validation_dataset.select(range(1)), metric_key_prefix="predict")
check = thresholds(predictions)
validation_dataset=validation_dataset.to_pandas()
validation_dataset['pred_labels']=None
validation_dataset['pred_labels'][0]=check.tolist()[0]
validation_dataset=datasets.Dataset.from_pandas(validation_dataset)
#################################################################################################################################################################
#################################################################################################################################################################
temp=context_data_2(validation_dataset,1)
predictions, label, metrics = trainer.predict(temp, metric_key_prefix="predict")
check = thresholds(predictions)
validation_dataset=validation_dataset.to_pandas()
validation_dataset['pred_labels'][1]=check.tolist()[0]
validation_dataset=datasets.Dataset.from_pandas(validation_dataset)
for i in tqdm(range(2,len(validation_dataset))):
temp=context_data_2(validation_dataset,i)
predictions, label, metrics = trainer.predict(temp, metric_key_prefix="predict")
check = thresholds(predictions)
validation_dataset=validation_dataset.to_pandas()
validation_dataset['pred_labels'][i]=check.tolist()[0]
validation_dataset=datasets.Dataset.from_pandas(validation_dataset)
#################################################################################################################################################################
#################################################################################################################################################################
result =pd.DataFrame(validation_dataset['pred_labels'], columns=labels)
print(result)
result.to_dict('records')
df_prediction = pandas.DataFrame({'Text-ID':validation_dataset['Text-ID'],'Sentence-ID':validation_dataset['Sentence-ID']})
df_prediction = pd.concat([df_prediction, pd.DataFrame.from_dict(result)], axis=1)
#################################################################################################################################################################
######################################################### EXTRA CODE ########################################################################################
#################################################################################################################################################################
# def transform_value(value):
# if value == 1:
# return 0.5
# else:
# return 0
# predictions = pandas.DataFrame()
# predictions['Text-ID'] = df_prediction['Text-ID']
# predictions['Sentence-ID'] = df_prediction['Sentence-ID']
# for col_name in labels:
# predictions[f'{col_name} attained'] = df_prediction[col_name] #.apply(lambda x: transform_value(x))
# predictions[f'{col_name} constrained'] = 0 #df_prediction[col_name].apply(lambda x: transform_value(x))
#################################################################################################################################################################
#################################################################################################################################################################
write_tsv_dataframe(os.path.join('', 'xlm-xl-layers-38_final.tsv'), df_prediction) #'EL_predictions.tsv'
#################################################################################################################################################################
#################################################################################################################################################################
# predict_report = classification_report(y_true=validation_dataset['labels'], y_pred=validation_dataset['pred_labels'],
# labels=range(19),
# target_names=list(label2id.keys()),
# digits=4,
# #average='micro'
# )
# print(predict_report)
#################################################################################################################################################################
#################################################################################################################################################################