Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree 源码复现

论文是 Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree，于2019年发表在EMNLP。

源码地址：https://github.com/Guangzidetiaoyue/CDT_ABSA

复现这篇论文源码的时候，走了很多弯路，故在此总结，给出快速而详细的解决方法。

10系显卡解决步骤

首先，10系显卡不局限于GTX1050至GTX1080ti，同时也包括诸如GTX1650\GTX1660等甜品卡。

源码中的环境要求是：

• Python 3.6.8
• PyTorch 1.0.0
• CUDA 9.0

在anaconda中创建Python=3.6.8的虚拟环境。由于官方已经没有pytorch=1.0.0的安装命令，我们采用本地安装的方式。

安装教程：https://zhuanlan.zhihu.com/p/636607358

根据上面的教程依次安装torch和torchvision，并在虚拟环境中进行torch、cuda和cudnn的可用性测试。这里测试出cuda版本是10.0不要紧，仍能运行，因为笔者也是一样。

之后在pycharm中clone项目，选择刚刚创建好的虚拟环境，运行train.py，查看报错，预计会有3-4次缺包报错，缺什么包安装什么包即可。但是，在安装gensim包的时候，很有可能会报Microsoft Visual C++ 14.0 or greater is required的错误。

解决教程：https://zhuanlan.zhihu.com/p/471661231

根据上面的教程下载 Visual C++ Build Tools for Visual Studio 2015 with Update 3 的 DVD 文件（千万注意是DVD文件）。

继续安装gensim包即可成功，顺带将其他缺省包也下载好。

经过上面两步后，根据源码文件中 README.md 文件运行即可。注：.sh文件可在pycharm中指定git bush命令行运行。

40系显卡解决步骤

一开始笔者用40系显卡也是按照上述方式安装，但会运行超时后报错，一般会卡在下面这个位置：

运行不成功的原因是，40系显卡最低支持cuda11.3，所以不管是源码需求的cuda9.0还是10.0，40系显卡都不支持，跑代码跑不到GPU上，cuda使用率为0：

解决方法：

首先，在anaconda中创建Python=3.6.8的虚拟环境，之后在pytorch官网上用conda方式下载稳定的版本：

这里这么选择就可以，先不要问为什么，因为笔者是这样做的且成功了，后面会解释。另外，如果日后可能cuda会有更高版本，没有11.8的版本选择，选择最低的应该就可以。

安装好pytorch之后，查看cuda版本，会发现cuda版本自动变成了11.3。这里猜测可能是和python=3.6.8有关，自动降低了。

接着在此虚拟环境中进行torch、cuda和cudnn的可用性测试。参照：https://zhuanlan.zhihu.com/p/636607358 中测试步骤即可。

之后在pycharm中clone项目，选择刚刚创建好的虚拟环境，运行train.py，查看报错，预计会有3-4次缺包报错，缺什么包安装什么包即可。但是，在安装gensim包的时候，很有可能会报Microsoft Visual C++ 14.0 or greater is required的错误。

解决教程：https://zhuanlan.zhihu.com/p/471661231

根据上面的教程下载 Visual C++ Build Tools for Visual Studio 2015 with Update 3 的 DVD 文件（千万注意是DVD文件）。

继续安装gensim包即可成功，顺带将其他缺省包也下载好。

解决所有包的问题之后，会发现报新的错误：RuntimeError: ‘lengths’ argument should be a 1D CPU int64 tensor, but got 1D cuda:0 Long tensor

报错的原因是pytorch 1.5以上Bi-LSTM升级了，实现方式有些许差别，但无需究其原理，解决方法如下：

经过上面的步骤，再根据源码文件中 README.md 文件运行即可。注：.sh文件可在pycharm中指定git bush命令行运行。

复现结果

经过不同的解决步骤后，成功运行的显示是：

且在运行过程中，cuda使用率有显著提升：

模型训练和测试结束后，以Rest14数据集为例，最优的测试精度和F1 Score对比如下：

我们发现测试精度甚至比论文数据更高，且F1 Score只有微小的差别。这说明我们的源码复现成功了。

注：

如果显卡是20/30系显卡，大致解决方法应该和上述40系方法差不多，根据上述思路具体问题具体分析即可。