赞
踩
BERT全称是来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers),它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于Transformer中的Encoder并加上双向的结构,因此一定要熟练掌握Transformer的Encoder的结构。
BERT模型的主要创新点都在pre-train方法上,即用了Masked Language Model和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。
在用Masked Language Model方法训练BERT的时候,随机把语料库中15%的单词做Mask操作。对于这15%的单词做Mask操作分为三种情况:80%的单词直接用[Mask]替换、10%的单词直接替换成另一个新的单词、10%的单词保持不变。
因为涉及到Question Answering (QA) 和 Natural Language Inference (NLI)之类的任务,增加了Next Sentence Prediction预训练任务,目的是让模型理解两个句子之间的联系。与Masked Language Model任务相比,Next Sentence Prediction更简单些,训练的输入是句子A和B,B有一半的几率是A的下一句,输入这两个句子,BERT模型预测B是不是A的下一句。
BERT预训练之后,会保存它的Embedding table和12层Transformer权重(BERT-BASE)或24层Transformer权重(BERT-LARGE)。使用预训练好的BERT模型可以对下游任务进行Fine-tuning,比如:文本分类、相似度判断、阅读理解等。
对话情绪识别(Emotion Detection,简称EmoTect),专注于识别智能对话场景中用户的情绪,针对智能对话场景中的用户文本,自动判断该文本的情绪类别并给出相应的置信度,情绪类型分为积极、消极、中性。 对话情绪识别适用于聊天、客服等多个场景,能够帮助企业更好地把握对话质量、改善产品的用户交互体验,也能分析客服服务质量、降低人工质检成本。
下面以一个文本情感分类任务为例子来说明BERT模型的整个应用过程。
%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14,如需更换mindspore版本,可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14
# 该案例在 mindnlp 0.3.1 版本完成适配,如果发现案例跑不通,可以指定mindnlp版本,执行`!pip install mindnlp==0.3.1`
!pip install mindnlp
import os
import mindspore
from mindspore.dataset import text, GeneratorDataset, transforms
from mindspore import nn, context
from mindnlp._legacy.engine import Trainer, Evaluator
from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback
from mindnlp._legacy.metrics import Accuracy
# prepare dataset class SentimentDataset: """Sentiment Dataset""" def __init__(self, path): self.path = path self._labels, self._text_a = [], [] self._load() def _load(self): with open(self.path, "r", encoding="utf-8") as f: dataset = f.read() lines = dataset.split("\n") for line in lines[1:-1]: label, text_a = line.split("\t") self._labels.append(int(label)) self._text_a.append(text_a) def __getitem__(self, index): return self._labels[index], self._text_a[index] def __len__(self): return len(self._labels)
这里提供一份已标注的、经过分词预处理的机器人聊天数据集,来自于百度飞桨团队。数据由两列组成,以制表符(‘\t’)分隔,第一列是情绪分类的类别(0表示消极;1表示中性;2表示积极),第二列是以空格分词的中文文本,如下示例,文件为 utf8 编码。
label–text_a
0–谁骂人了?我从来不骂人,我骂的都不是人,你是人吗 ?
1–我有事等会儿就回来和你聊
2–我见到你很高兴谢谢你帮我
这部分主要包括数据集读取,数据格式转换,数据 Tokenize 处理和 pad 操作。
# download dataset
!wget https://baidu-nlp.bj.bcebos.com/emotion_detection-dataset-1.0.0.tar.gz -O emotion_detection.tar.gz
!tar xvf emotion_detection.tar.gz
新建 process_dataset 函数用于数据加载和数据预处理,具体内容可见下面代码注释。
import numpy as np def process_dataset(source, tokenizer, max_seq_len=64, batch_size=32, shuffle=True): is_ascend = mindspore.get_context('device_target') == 'Ascend' column_names = ["label", "text_a"] dataset = GeneratorDataset(source, column_names=column_names, shuffle=shuffle) # transforms type_cast_op = transforms.TypeCast(mindspore.int32) def tokenize_and_pad(text): if is_ascend: tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len) else: tokenized = tokenizer(text) return tokenized['input_ids'], tokenized['attention_mask'] # map dataset dataset = dataset.map(operations=tokenize_and_pad, input_columns="text_a", output_columns=['input_ids', 'attention_mask']) dataset = dataset.map(operations=[type_cast_op], input_columns="label", output_columns='labels') # batch dataset if is_ascend: dataset = dataset.batch(batch_size) else: dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id), 'attention_mask': (None, 0)}) return dataset
输入 ID 通常是作为输入传递给模型的唯一必需参数。它们是标记索引,是标记的数值表示,用于构建将用作模型输入的序列。
每个分词器的工作方式不同,但底层机制保持不变。下面是一个使用 BERT 分词器的示例,这是一个 WordPiece 分词器:
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-cased")
sequence = "A Titan RTX has 24GB of VRAM"
分词器负责将序列拆分为分词器词汇表中可用的标记。
tokenized_sequence = tokenizer.tokenize(sequence)
print(tokenized_sequence)
结果输出:
['A', 'Titan', 'R', '##T', '##X', 'has', '24', '##GB', 'of', 'V', '##RA', '##M']
然后,可以将这些token转换为模型可以理解的 ID。这可以通过直接将句子提供给分词器来完成,分词器利用 huggingface/tokenizer 的 Rust 实现来实现最佳性能。
encoded_sequence = tokenizer(sequence)["input_ids"]
分词器返回一个字典,其中包含其相应模型正常工作所需的所有参数。token索引位于键“input_ids”下:
print(encoded_sequence)
结果输出:
[101, 138, 18696, 155, 1942, 3190, 1144, 1572, 13745, 1104, 159, 9664, 2107, 102]
请注意,分词器会自动添加“特殊tokens”(如果关联的模型依赖于它们),这些tokens是模型有时使用的特殊 ID。如果我们解码前面的 id 序列,
decoded_sequence = tokenizer.decode(encoded_sequence)
print(decoded_sequence)
结果输出:
[CLS] A Titan RTX has 24GB of VRAM [SEP]
注意掩码是将序列批处理在一起时使用的可选参数。此参数向模型指示应注意哪些tokens,哪些不应注意。
例如,考虑以下两个序列:
from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained("bert-base-cased")
sequence_a = "This is a short sequence."
sequence_b = "This is a rather long sequence. It is at least longer than the sequence A."
encoded_sequence_a = tokenizer(sequence_a)["input_ids"]
encoded_sequence_b = tokenizer(sequence_b)["input_ids"]
编码版本具有不同的长度:
len(encoded_sequence_a), len(encoded_sequence_b)
结果输出:
(8, 19)
因此,我们不能按原样放在同一个张量中。第一个序列需要填充到第二个序列的长度,或者第二个序列需要被截断到第一个序列的长度。
在第一种情况下,ID 列表将通过填充索引进行扩展。我们可以将一个列表传递给分词器,并要求它像这样填充:
padded_sequences = tokenizer([sequence_a, sequence_b], padding=True)
我们可以看到,在第一句话的右边添加了 0,使其与第二句的长度相同:
padded_sequences["input_ids"]
结果输出:
[[101, 1188, 1110, 170, 1603, 4954, 119, 102, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [101, 1188, 1110, 170, 1897, 1263, 4954, 119, 1135, 1110, 1120, 1655, 2039, 1190, 1103, 4954, 138, 119, 102]]
然后,可以在 PyTorch 或 TensorFlow 中将其转换为张量。注意力掩码是一个二进制张量,指示填充索引的位置,以便模型不关注它们。对于 BertTokenizer
, 1
指示应注意的值,同时 0
指示填充值。此注意力掩码位于分词器返回的字典中,键为“attention_mask”:
padded_sequences["attention_mask"]
[[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]
昇腾NPU环境下暂不支持动态Shape,数据预处理部分采用静态Shape处理:
from mindnlp.transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
tokenizer.pad_token_id
dataset_train = process_dataset(SentimentDataset("data/train.tsv"), tokenizer)
dataset_val = process_dataset(SentimentDataset("data/dev.tsv"), tokenizer)
dataset_test = process_dataset(SentimentDataset("data/test.tsv"), tokenizer, shuffle=False)
print(next(dataset_train.create_tuple_iterator())) 结果输出: [Tensor(shape=[32, 64], dtype=Int64, value= [[ 101, 2769, 4263 ... 0, 0, 0], [ 101, 872, 779 ... 0, 0, 0], [ 101, 7733, 4638 ... 0, 0, 0], ... [ 101, 680, 872 ... 0, 0, 0], [ 101, 2769, 3300 ... 0, 0, 0], [ 101, 6432, 6413 ... 0, 0, 0]]), Tensor(shape=[32, 64], dtype=Int64, value= [[1, 1, 1 ... 0, 0, 0], [1, 1, 1 ... 0, 0, 0], [1, 1, 1 ... 0, 0, 0], ... [1, 1, 1 ... 0, 0, 0], [1, 1, 1 ... 0, 0, 0], [1, 1, 1 ... 0, 0, 0]]), Tensor(shape=[32], dtype=Int32, value= [2, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0, 2, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 2, 1, 0])]
通过 BertForSequenceClassification 构建用于情感分类的 BERT 模型,加载预训练权重,设置情感三分类的超参数自动构建模型。后面对模型采用自动混合精度操作,提高训练的速度,然后实例化优化器,紧接着实例化评价指标,设置模型训练的权重保存策略,最后就是构建训练器,模型开始训练。
BertForSequenceClassification传送门
from mindnlp.transformers import BertForSequenceClassification, BertModel
from mindnlp._legacy.amp import auto_mixed_precision
# set bert config and define parameters for training
model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=3)
model = auto_mixed_precision(model, 'O1')
optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)
metric = Accuracy()
# define callbacks to save checkpoints
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='bert_emotect', epochs=1, keep_checkpoint_max=2)
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='bert_emotect_best', auto_load=True)
trainer = Trainer(network=model, train_dataset=dataset_train,
eval_dataset=dataset_val, metrics=metric,
epochs=5, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb])
%%time
# start training
trainer.run(tgt_columns="labels")
将验证数据集加再进训练好的模型,对数据集进行验证,查看模型在验证数据上面的效果,此处的评价指标为准确率。
evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)
evaluator.run(tgt_columns="labels")
遍历推理数据集,将结果与标签进行统一展示。
dataset_infer = SentimentDataset("data/infer.tsv")
def predict(text, label=None):
label_map = {0: "消极", 1: "中性", 2: "积极"}
text_tokenized = Tensor([tokenizer(text).input_ids])
logits = model(text_tokenized)
predict_label = logits[0].asnumpy().argmax()
info = f"inputs: '{text}', predict: '{label_map[predict_label]}'"
if label is not None:
info += f" , label: '{label_map[label]}'"
print(info)
from mindspore import Tensor for label, text in dataset_infer: predict(text, label) 结果输出: inputs: '我 要 客观', predict: '中性' , label: '中性' inputs: '靠 你 真是 说 废话 吗', predict: '消极' , label: '消极' inputs: '口嗅 会', predict: '中性' , label: '中性' inputs: '每次 是 表妹 带 窝 飞 因为 窝路痴', predict: '中性' , label: '中性' inputs: '别说 废话 我 问 你 个 问题', predict: '消极' , label: '消极' inputs: '4967 是 新加坡 那 家 银行', predict: '中性' , label: '中性' inputs: '是 我 喜欢 兔子', predict: '积极' , label: '积极' inputs: '你 写 过 黄山 奇石 吗', predict: '中性' , label: '中性' inputs: '一个一个 慢慢来', predict: '中性' , label: '中性' inputs: '我 玩 过 这个 一点 都 不 好玩', predict: '消极' , label: '消极' inputs: '网上 开发 女孩 的 QQ', predict: '中性' , label: '中性' inputs: '背 你 猜 对 了', predict: '中性' , label: '中性' inputs: '我 讨厌 你 , 哼哼 哼 。 。', predict: '消极' , label: '消极'
自己输入推理数据,展示模型的泛化能力。
predict("你怎么老是这样,让我很难受")
结果输出:
inputs: '你怎么老是这样,让我很难受', predict: '消极'
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。