contrastive-active-learning 的安装和配置教程

项目基础介绍

本项目是针对自然语言处理领域中的主动学习方法的研究，提出了名为CAL（Contrastive Active Learning）的新的获取函数。该函数旨在通过选择对比性强的事例来优化主动学习过程，即选择在模型特征空间中相似但模型预测概率差异最大化的事例。项目在多个自然语言理解任务和数据集上进行了评估，并在EMNLP 2021和ACL 2022会议上发表了相关论文。

本项目主要使用的编程语言是Python。

项目使用的关键技术和框架

项目使用了以下关键技术和框架：

• PyTorch：一个开源的机器学习库，用于应用如深度学习在内的各种算法。
• Transformers：由Hugging Face提供的库，提供了对预训练语言模型的轻松访问和 fine-tuning。

项目安装和配置的准备工作

在开始安装之前，请确保您的系统中已经安装了以下环境：

• Python 3.7（或与项目兼容的版本）
• CUDA（如果使用NVIDIA GPU）

安装步骤

1. 创建虚拟环境（可选）：为了隔离项目环境中的依赖包，推荐创建一个conda虚拟环境。

   conda create -n cal python=3.7
   conda activate cal
   

2. 安装PyTorch：根据您的系统配置安装正确版本的PyTorch。以下是一个示例命令，您需要根据您的CUDA版本进行调整。

   conda install pytorch==1.9.0 torchvision torchaudio cudatoolkit=11.1 -c pytorch -c nvidia
   

3. 安装依赖：安装项目所需的其它Python包。

   pip install -r requirements.txt
   

4. 下载数据集：运行以下脚本来下载所需的数据集。

   bash get_data.sh
   

   注意：DBPedia数据集因为体积较大，需要手动从其官方网站下载。

5. 开始使用：安装完成后，您可以通过运行主脚本来开始任何主动学习实验。例如：

   python run_al.py --dataset_name sst-2 --acquisition cal
   

确保在安装和配置过程中，每一步都正确无误，如果有任何错误，请仔细阅读错误信息并采取相应的解决措施。