使用Bert预训练模型文本分类(内附源码)

Bert介绍

 

Bert模型是Google在2018年10月发布的语言表示模型,Bert在NLP领域横扫了11项任务的最优结果,可以说是现今最近NLP中最重要的突破。Bert模型的全称是Bidirectional Encoder Representations from Transformers,是通过训练Masked Language Model和预测下一句任务得到的模型。关于Bert具体训练的细节和更多的原理,有兴趣的读者可以去看在[arXiv](https://arxiv.org/abs/1810.04805)上的原文。本篇文章从实践入手,带领大家进行Bert的中文文本分类和作为句子向量进行使用的教程。

 

 

对于文本分类任务,一个句子中的N个字符对应了E_1,…,E_N,这N个embedding。文本分类实际上是将BERT得到的T_1这一层连接上一个全连接层进行多分类。

 

准备工作

 

1. 下载bert

 

在命令行中输入

 

git clone 
https://github.com/google-research/bert.git

 

2. 下载bert预训练模型

 

Google提供了多种预训练好的bert模型,有针对不同语言的和不同模型大小的。对于中文模型,我们使用[Bert-Base, Chinese](https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip)。为了下载该模型,可能需要使用梯子。如果需要下载其他的模型(英文以及其他语言),可以在[Bert](https://github.com/google-research/bert)里的Pre-trained models找到下载链接。

 

3.(可选项)

 

安装bert-as-service,这是一个可以利用bert模型将句子映射到固定长度向量的服务。

 

在命令行中输入

 

pip install bert-serving-server # server
pip install bert-serving-client # client, independent of 'bert-serving-server'

 

该服务要求tensorflow的最低版本为1.10。

 

准备数据

 

数据格式

 

作为中文文本分类问题,需要先将数据集整理成可用的形式。不同的格式对应了不同的DataProcessor类。可以将数据保存成如下格式:

 

game    APEX是个新出的吃鸡游戏。
technology  Google将要推出tensorflow2.0。

 

一行代表一个文本,由标签加上一个tab加上正文组成。

 

将文本分割为三个文件,train.tsv(训练集),dev.tsv(验证集),test.tsv(测试集);然后放置在同一个data_dir文件夹下。

 

编写DataProcessor类

 

在bert文件夹下的“run_classifier.py**中的”def main(_):”函数中将processors的内容增加为

 

python
processors = {
     "cola": ColaProcessor,
     "mnli": MnliProcessor,
     "mrpc": MrpcProcessor,
     "xnli": XnliProcessor,
     "mytask": MyTaskProcessor,
 }

 

实现如下的“MyTaskProcessor

 

(DataProcessor)”类,并将这一段代码放置在“run_classifier.py”和其他Processor并列的位置。

 

“\_\_init\_\_(self)”中的self.labels含有所有的分类label,在这个例子中我们将文本可能分为3类:game, fashion, houseliving。

 

python
class MyTaskProcessor(DataProcessor):
   """Processor for the News data set (GLUE version)."""
   def __init__(self):
       self.labels = ['game', 'fashion', 'houseliving']
  
   def get_train_examples(self, data_dir):
       return self._create_examples(
           self._read_tsv(os.path.join(data_dir, "train.tsv")), "train")
   def get_dev_examples(self, data_dir):
       return self._create_examples(
           self._read_tsv(os.path.join(data_dir, "dev.tsv")), "dev")
   
   def get_test_examples(self, data_dir):

 

       return self._create_examples(
           self._read_tsv(os.path.join(data_dir, "test.tsv")), "test")
   def get_labels(self):
       return self.labels
   def _create_examples(self, lines, set_type):
       """Creates examples for the training and dev sets."""
       examples = []
       for (i, line) in enumerate(lines):
           guid = "%s-%s" % (set_type, i)
           text_a = tokenization.convert_to_unicode(line[1])
           label = tokenization.convert_to_unicode(line[0])
           examples.append(
               InputExample(guid=guid, text_a=text_a, text_b=None, label=label))

 

       return examples

 

如果数据格式并不是一个label,一个tab,一段文本;则需要更改“_create_examples()”的实现。

 

编写运行脚本

 

新建一个运行脚本文件名为“run.sh”,将文件内容编辑为:

 

bash

 

export DATA_DIR=/media/ganjinzero/Code/bert/data/

 

exportBERT_BASE_DIR=/media/ganjinzero/Code/bert/chinese_L-12_H-768_A-12

 

python run_classifier.py \

 

–task_name=mytask \

 

–do_train=true \

 

–do_eval=true \

 

–data_dir=$DATA_DIR/ \

 

–vocab_file=$BERT_BASE_DIR/vocab.txt \

 

–bert_config_file=$BERT_BASE_DIR/bert_config.json \

 

–init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \

 

–max_seq_length=128 \

 

–train_batch_size=32 \

 

–learning_rate=2e-5 \

 

–num_train_epochs=3.0 \

 

–output_dir=/mytask_output

 

其中DATA_DIR是你的要训练的文本的数据所在的文件夹,BERT_BASE_DIR是你的bert预训练模型存放的地址。task_name要求和你的DataProcessor类中的名称一致。下面的几个参数,do_train代表是否进行fine tune,do_eval代表是否进行evaluation,还有未出现的参数do_predict代表是否进行预测。如果不需要进行fine tune,或者显卡配置太低的话,可以将do_trian去掉。max_seq_length代表了句子的最长长度,当显存不足时,可以适当降低max_seq_length。

 

进行预测

 

运行脚本

 

bash
./run.sh

 

可以得到类似如下样式的结果

 

***** Eval results *****
 eval_accuracy = 0.845588
 eval_loss = 0.505248
 global_step = 343
 loss = 0.505248

 

如果出现了这样的输出,就是运行成功了。在“run.sh”里指定的output_dir文件夹下可以看到模型的evaluation结果和fine-tune(微调)之后的模型文件。

 

以句子向量的形式使用Bert

 

如果想要将bert模型的编码和其他模型一起使用,将bert模型作为句子向量使用很有意义(也就是所谓的句子级别的编码)。我们可以使用bert-as-service来完成这个目标。

 

安装完bert-as-service以后,就可以利用bert模型将句子映射到固定长度的向量上。在终端中用一下命令启动服务:

 

bash
bert-serving-start -model_dir /media/ganjinzero/Code/bert/chinese_L-12_H-768_A-12 -num_worker=4

 

model_dir后面的参数是bert预训练模型所在的文件夹。num_worker的数量应该取决于你的CPU/GPU数量。

 

这时就可以在Python中调用如下的命令:

 

python
from bert_serving.client import BertClient
bc = BertClient()
bc.encode(['一二三四五六七八', '今天您吃了吗?'])

 

最好以列表的形式,而非单个字符串传给”bc.encode()”参数,这样程序运行的效率较高。

 

参考文档

 

[Github:bert]

 

(https://github.com/google-research/bert)

 

[arXiv:bert](https://arxiv.org/pdf/1810.04805.pdf)

 

[Github:bert-as-service](https://github.com/hanxiao/bert-as-service)

 

【作者简介】

 

GjZero,清华大学统计中心博士二年级在读。研究方向是医学信息学中的自然语言处理。兴趣是扑克、麻将等和博弈论有关的运动。

 

github:

 

https://github.com/GanjinZero

 

个人主页:

 

https://ganjinzero.github.io/

发表评论

电子邮件地址不会被公开。 必填项已用*标注