BERT模型—3.BERT模型在ner任务上的微调_ner的标准微调过程

---

• 数据集代码见：https://gitee.com/lj857335332/bert-spinner—ner-task

---

引言

  这一节学习BERT模型如何在ner任务上进行微调。项目代码框架如下：

争取做到每一行代码每一行注释！！！

一、项目环境配置

• python>=3.6
• torch==1.6.0
• transformers==3.0.2
• seqeval==0.0.12
• pytorch-crf==0.7.2

二、数据集介绍

• 标签数量基于 Train 数据集

  我们这一节使用atis数据，数据集由训练集、验证集、测试集组成

seq.in文件：每一行是一个文本

seq.out文件：在对话研究领域来讲，是slot_label。我们在这里当成序列的标签或者命名实体标签，我们会使用数据集中的序列标注的标签训练基于bert的ner模型。

slot_label.txt文件：这个文件是由vocab_process.py文件生成的命名实体标签统计文件，一共122个，基于训练数据集标签文件的120个，再加上两个额外标签"PAD"、“UNK”。

三、代码介绍

• data_loader.py文件：这个文件的功能是将文本文件转化成InputExample类数据，并将输入样本转化为bert能够读取的InputFeatures类数据，最后保存至cache文件中，方便下次快速加载。
• utils.py文件:封装了很多实用程序，方便统一调用
• trainer.py文件：定义了任务的训练与评估以及保存模型与加载模型
• main.py文件：用于模型的训练与评估
• predict.py文件：用于模型的预测

四、测试结果

1.代码运行流程

  在命令行中输入

python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_0 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --learning_rate 5e-5 --warmup_steps 600 --ignore_index -100
1

如果还想使用crf，就输入

python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_0 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --learning_rate 5e-5 --warmup_steps 600 --ignore_index -100 --use_crf
1

我的示范如下：

2.运行结果

• 默认版本

  python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_0 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --learning_rate 5e-5 --warmup_steps 600 --ignore_index -100
  1

  测试结果

  sementic_frame_acc = 0.6103023516237402
  slot_f1 = 0.8044086773967809
  1
  2
  '
  运行
  运行

  如果使用crf

  python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_1 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --use_crf --learning_rate 5e-5 --warmup_steps 600 --ignore_index -100
  1

  测试结果

  sementic_frame_acc = 0.6226203807390818
  slot_f1 = 0.8127837932238909
  1
  2
  '
  运行
  运行

• trick版本
  如果给线性层设置更高的学习率

  python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_3 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --learning_rate 5e-5 --linear_learning_rate 5e-4 --warmup_steps 600 --ignore_index -100
  1

  则测试结果为

  sementic_frame_acc = 0.8073908174692049
  slot_f1 = 0.9181532004197271
  1
  2
  '
  运行
  运行

  如果给crf设置更高的学习率

  python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_1 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --use_crf --crf_learning_rate 5e-3 --learning_rate 5e-5 --linear_learning_rate 5e-4 --warmup_steps 600 --ignore_index -100
  1

  则测试结果为：

  sementic_frame_acc = 0.8365061590145577
  slot_f1 = 0.9351427564328516
  1
  2
  '
  运行
  运行

  如果给crf层设置超高的学习率

  python bert_finetune_ner/main.py --data_dir ./bert_finetune_ner/data/ --task atis --model_type bert --model_dir bert_finetune_ner/experiments/outputs/nerbert_2 --do_train --do_eval --train_batch_size 8 --num_train_epochs 8 --use_crf --crf_learning_rate 1e-1 --learning_rate 5e-5 --linear_learning_rate 5e-5 --warmup_steps 600 --ignore_index -100
  1

  则测试结果为：

  sementic_frame_acc = 0.7077267637178052
  slot_f1 = 0.8759744861800142
  1
  2
  '
  运行
  运行

3.预测

  预测部分代码在predict.py文件中，运行这个文件，需要在命令行输入

python bert_finetune_ner/predict.py --input_file bert_finetune_ner/data/atis/test/seq.in --output_file bert_finetune_ner/experiments/outputs/nerbert_0/atis_test_predicted.txt --model_dir bert_finetune_ner/experiments/outputs/nerbert_0
1

输出结果保存在atis_test_predicted.txt文件中，形式如下：

---

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论或者私信！

---