谷歌最强NLP模型BERT官方代码来了！GitHub一天3000星_nlp开源可商用大模型源码

新智元报道

来源：GitHub

作者：Google Research 编辑：肖琴

【新智元导读】谷歌AI团队终于开源了最强NLP模型BERT的代码和预训练模型。从论文发布以来，BERT在NLP业内引起巨大反响，被认为开启了NLP的新时代。

BERT的官方代码终于来了！

昨天，谷歌在GitHub上发布了备受关注的“最强NLP模型”BERT的TensorFlow代码和预训练模型，不到一天时间，已经获得3000多星！

地址：

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

BERT，全称是Bidirectional Encoder Representations from Transformers，是一种预训练语言表示的新方法。

新智元近期对BERT模型作了详细的报道和专家解读：

NLP历史突破！谷歌BERT模型狂破11项纪录，全面超越人类！

狂破11项记录，谷歌年度最强NLP论文到底强在哪里？

解读谷歌最强NLP模型BERT：模型、数据和训练

BERT有多强大呢？它在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩：全部两个衡量指标上全面超越人类！并且还在11种不同NLP测试中创出最佳成绩，包括将GLUE基准推至80.4％（绝对改进7.6％），MultiNLI准确度达到86.7% （绝对改进率5.6％）等。

以下是BERT模型在SQuAD v1.1问题回答任务的结果：

在几个自然语言推理任务的结果：

以及更多其他任务。

而且，这些结果都是在几乎没有task-specific的神经网络架构设计的情况下获得的。

如果你已经知道BERT是什么，只想马上开始使用，可以下载预训练过的模型，几分钟就可以很好地完成调优。

预训练模型下载：

https://github.com/google-research/bert#pre-trained-models

BERT是什么？

BERT是一种预训练语言表示（language representations）的方法，意思是我们在一个大型文本语料库（比如维基百科）上训练一个通用的“语言理解”模型，然后将这个模型用于我们关心的下游NLP任务（比如问题回答）。BERT优于以前的方法，因为它是第一个用于预训练NLP的无监督、深度双向的系统（unsupervised, deeply bidirectional system）。

无监督意味着BERT只使用纯文本语料库进行训练，这很重要，因为网络上有大量的公开的纯文本数据，而且是多语言的。

预训练的表示可以是上下文无关（context-free）的，也可以是上下文相关（contextual）的，并且上下文相关表示还可以是单向的或双向的。上下文无关的模型，比如word2vec或GloVe，会为词汇表中的每个单词生成单个“word embedding”表示，因此bank在bank deposit（银行存款）和river bank（河岸）中具有相同的表示。上下文模型则会根据句子中的其他单词生成每个单词的表示。

BERT建立在最近的预训练contextual representations的基础上——包括半监督序列学习、生成性预训练、ELMo和ULMFit——但这些模型都是单向的或浅双向的。这意味着每个单词只能使用其左边(或右边)的单词来预测上下文。例如，在I made a bank deposit 这个句子中， bank的单向表示仅仅基于I made a，而不是deposit。以前的一些工作结合了来自单独的left-context和right-context 模型的表示，但只是一种“浅层”的方式。BERT同时使用左侧和右侧上下文来表示“bank”—— I made a ... deposit——从深神经网络的最底层开始，所以它是深度双向的。

BERT使用一种简单的方法：将输入中15%的单词屏蔽（mask）起来，通过一个深度双向Transformer编码器运行整个序列，然后仅预测被屏蔽的单词。例如:

Input: the man went to the [MASK1] . he bought a [MASK2] of milk.
Labels: [MASK1] = store; [MASK2] = gallon
1

为了学习句子之间的关系，我们还训练了一个可以从任何单语语料库生成的简单任务：给定两个句子A和B, 让模型判断B是A的下一个句子，还是语料库中的一个随机句子?

Sentence A: the man went to the store .
Sentence B: he bought a gallon of milk .
Label: IsNextSentence
1
2

Sentence A: the man went to the store .
Sentence B: penguins are flightless .
Label: NotNextSentence
1
2

然后，我们在大型语料库(Wikipedia + BookCorpus)上训练了一个大型模型（12-layer 到 24-layer的Transformer），花了很长时间（100万次更新步骤），这就是BERT。

使用BERT的两个阶段：预训练和微调

使用BERT分为两个阶段：预训练（Pre-training）和微调（Fine-tuning）。

预训练（Pre-training）的成本是相当昂贵的（需要4到16个Cloud TPU训练4天），但是对于每种语言来说都只需训练一次（目前的模型仅限英语的，我们打算很快发布多语言模型）。大多数NLP研究人员根本不需要从头开始训练自己的模型。

微调（Fine-tuning）的成本不高。从完全相同的预训练模型开始，论文中的所有结果在单个Cloud TPU上最多1小时就能复制，或者在GPU上几小时就能复制。例如，对于SQUAD任务，在单个Cloud TPU上训练大约30分钟，就能获得91.0％的Dev F1分数，这是目前单系统最先进的。

BERT的另一个重要方面是，它可以很容易地适应许多类型的NLP任务。在论文中，我们展示了句子级（例如SST-2）、句子对级别（例如MultiNLI）、单词级别（例如NER）以及段落级别（例如SQuAD）等任务上最先进的结果，并且，几乎没有针对特定任务进行修改。

GitHub库中包含哪些内容？

• BERT模型架构的TensorFlow代码（主体是一个标准Transformer架构）。
• BERT-Base和BERT-Large的lowercase和cased版本的预训练检查点。
• 用于复制论文中最重要的微调实验的TensorFlow代码，包括SQuAD，MultiNLI和MRPC。

这个项目库中所有代码都可以在CPU、GPU和Cloud TPU上使用。

预训练模型

我们发布了论文中的BERT-Base和BERT-Large模型。

Uncased表示在WordPiece tokenization之前文本已经变成小写了，例如，John Smith becomes john smith。Uncased模型也去掉了所有重音标志。

Cased表示保留了真实的大小写和重音标记。通常，除非你已经知道大小写信息对你的任务来说很重要（例如，命名实体识别或词性标记），否则Uncased模型会更好。

这些模型都在与源代码相同的许可(Apache 2.0)下发布。

请在GitHub的链接里下载模型：

• BERT-Base, Uncased: 12-layer, 768-hidden, 12-heads, 110M parameters
• BERT-Large, Uncased: 24-layer, 1024-hidden, 16-heads, 340M parameters
• BERT-Base, Cased: 12-layer, 768-hidden, 12-heads , 110M parameters
• BERT-Large, Cased: 24-layer, 1024-hidden, 16-heads, 340M parameters (暂时未发布).

每个.zip文件包含三个项目:

一个包含预训练权重的TensorFlow checkpoint (bert_model.ckpt)，(实际上是3个文件)。

一个vocab文件(vocab.txt)，用于将WordPiece映射到word id。

一个配置文件(bert_config.json)，用于指定模型的超参数。

BERT的Fine-tuning

重要提示：论文里的所有结果都在单个Cloud TPU上进行了微调，Cloud TPU具有64GB的RAM。目前无法使用具有12GB-16GB RAM的GPU复现论文里BERT-Large的大多数结果，因为内存可以适用的最大 batch size太小。我们正在努力添加代码，以允许在GPU上实现更大的有效batch size。有关更多详细信息，请参阅out-of memory issues的部分。

使用BERT-Base的fine-tuning示例应该能够使用给定的超参数在具有至少12GB RAM的GPU上运行。

BERT预训练

我们发布了在任意文本语料库上做“masked LM”和“下一句预测”的代码。请注意，这不是论文的确切代码（原始代码是用C ++编写的，并且有一些额外的复杂性），但是此代码确实生成了论文中描述的预训练数据。

以下是运行数据生成的方法。输入是纯文本文件，每行一个句子。（在“下一句预测”任务中，这些需要是实际的句子）。文件用空行分隔。输出是一组序列化为TFRecord文件格式的tf.train.Examples。

你可以使用现成的NLP工具包（如spaCy）来执行句子分割。create_pretraining_data.py脚本将连接 segments，直到达到最大序列长度，以最大限度地减少填充造成的计算浪费。但是，你可能需要在输入数据中有意添加少量噪声（例如，随机截断2％的输入segments），以使其在微调期间对非句子输入更加鲁棒。

此脚本将整个输入文件的所有示例存储在内存中，因此对于大型数据文件，你应该对输入文件进行切分，并多次调用脚本。（可以将文件glob传递给run_pretraining.py，例如，tf_examples.tf_record *。）

max_predictions_per_seq是每个序列的masked LM预测的最大数量。你应该将其设置为max_seq_length * masked_lm_prob（脚本不会自动执行此操作，因为需要将确切的值传递给两个脚本）。

python create_pretraining_data.py \
  --input_file=./sample_text.txt \
  --output_file=/tmp/tf_examples.tfrecord \
  --vocab_file=$BERT_BASE_DIR/vocab.txt \
  --do_lower_case=True \
  --max_seq_length=128 \
  --max_predictions_per_seq=20 \
  --masked_lm_prob=0.15 \
  --random_seed=12345 \
  --dupe_factor=5
1
2
3
4
5
6
7
8
9

以下是如何进行预训练。

如果你从头开始进行预训练，请不要包含init_checkpoint。模型配置（包括词汇大小）在bert_config_file中指定。此演示代码仅预训练少量steps（20），但实际上你可能希望将num_train_steps设置为10000步或更多。传递给run_pretraining.py的max_seq_lengthand max_predictions_per_seq参数必须与create_pretraining_data.py相同。

python run_pretraining.py \
  --input_file=/tmp/tf_examples.tfrecord \
  --output_dir=/tmp/pretraining_output \
  --do_train=True \
  --do_eval=True \
  --bert_config_file=$BERT_BASE_DIR/bert_config.json \
  --init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
  --train_batch_size=32 \
  --max_seq_length=128 \
  --max_predictions_per_seq=20 \
  --num_train_steps=20 \
  --num_warmup_steps=10 \
  --learning_rate=2e-5
1
2
3
4
5
6
7
8
9
10
11
12

这将产生如下输出：

***** Eval results *****
  global_step = 20
  loss = 0.0979674
  masked_lm_accuracy = 0.985479
  masked_lm_loss = 0.0979328
  next_sentence_accuracy = 1.0
  next_sentence_loss = 3.45724e-05
1
2
3
4
5
6

FAQ

问：这次公开的代码是否与Cloud TPU兼容？GPU呢？

答：是的，这个存储库中的所有代码都可以与CPU，GPU和Cloud TPU兼容。但是，GPU训练仅适用于单GPU。

问：提示内存不足，这是什么问题？

答：请参阅out-of-memory issues这部分的内容。

问：有PyTorch版本吗？

答：目前还没有正式的PyTorch实现。如果有人创建了一个逐行PyTorch实现，可以让我们的预训练checkpoints直接转换，那么我们很乐意在这里链接到PyTorch版本。

问：是否会发布其他语言的模型？

答：是的，我们计划很快发布多语言BERT模型。我们不能保证将包含哪些语言，但它很可能是一个单一的模型，其中包括大多数维基百科上预料规模较大的语言。

问：是否会发布比BERT-Large更大的模型？

答：到目前为止，我们还没有尝试过比BERT-Large更大的训练。如果我们能够获得重大改进，可能会发布更大的模型。

问：这个库的许可证是什么？

答：所有代码和模型都在Apache 2.0许可下发布。

地址：

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