Radish可以让你的模型从训练到部署都使用相同C++代码库， 借助libtorch, 让你专注实现模型及对应数据处理。

1. 安装bazel 0.28+
2. C++17 特性支持的编译器 (7.3.2, 8.3.0已验证)
3. 运行构建比如： bazel build bert:train_albert_main

1. AI真正的落地需要很好的工程化

2. 模型太多了，训练， 预处理等也需要很好工程化

3. 实时训练场景如有些RL需要真正多线程支持，而不是Python

4. 训练与推理相同代码库，缩小落地Gap

如果你碰到以上问题，Radish值得尝试!

1. 派生自radish::LlbModel类， 实现对应forward过程，以及计算loss的逻辑

2. 决定你的样本特征，以及对应target

3. 实现radish::data::ExampleParser , 根据需要实现对应解析方法

4. 借助radish:: train ::LlbTrainer 指定对应模板参数，函数参数训练模型

5. ....

   可参考bert目录下spanbert以及albert示例。

你可以使用2种数据格式，一种是基于leveldb, 另一种基于纯文本（一行一个样本) 基于leveldb的支持完全随机访问， 基于txt的支持多文件输入，每次随机从某文件读入数据

样本格式： TXT格式，一行一个样本，把换行换成\t或者空格

运行训练（示例）：

LD_LIBRARY_PATH=/data/chenyw/libtorch_gpu/lib ./train_albert_main --train_data_path /data/chenyw/albert/data/part0,/data/chenyw/albert/data/part1  --test_data_path /data/chenyw/albert/data/valid0  --warmup_steps 10000 --parser_conf_path parser_conf.json --eval_every 5000 -learning_rate 0.0003 --batch_size 460

更多参数可运行加--help参数打印出来参考

论文给出的实验报告，可以看出主要是hidden size在起作用， 共享参数反而使得效果打折扣。 所以本示例实现没有加入参数共享。可自行更改对应代码， 也欢迎pull request.

1. Pytorch C++ Doc
2. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
3. ALBERT: A Lite BERT for Self-supervised Learning of Language Representations
4. SpanBERT: Improving Pre-training by Representing and Predicting Spans