brightmart/albert_zh:加载各个预训练模型分类关于预测准确率问题

由于bert线上推理预测时间较长，考虑更换轻量级albert，参考https://github.com/brightmart/albert_zh，用自己数据集训练分类模型时遇到以下问题：

1、用albert_zh(albert_tiny、albert_bas)代码跑了一下自己的数据，eval accuracy 只有0.1左右

从以下几方面排查问题：a、数据（数据量，数据输入，数据噪音）  b、学习率  c、训练时间

经过排查学习率和epochs不变的情况下，用其他分类数据集没问题，确定是数据问题

我的数据格式是csv，在classifier_utils.py中加入处理数据的Processor，然后train_data下的数据，第一行其实是噪音建议删去，修改下_create_examples函数，_create_examples中在return之前random.shuffle(examples)

修改后重新训练，准确率80%左右

2、同样的参数数据，albert_tiny和albert_base准确率正常，albert_large准确率0.1左右

查阅了相关资料，使用large 的预训练模型做下游finetune的时候， 应该把学习率调低一点

将学习率1e-4改为1e-5，准确率接近80%，这里还有一个问题，albert_large准确率低于albert_base,后又测试了将lr改为2e-5,large准确率优于base

3、albert_xlarge准确率异常

文档中提到使用xlarge时，batch_size不能太小，否则可能影响精度，调整batch_size 后准确率仍异常，还从1中的几个角度排查问题，发现是训练时间太短，多训练一会后，结果正常

在我的数据集上，albert_xlarge精度没有上升很多，但预测推理时间和bert差不多，暂时不考虑使用