11-NLP之Bert介绍和简单示例_nlp库 bert

1. Bert 介绍

官网访问：https://huggingface.co/

1.1 Bert 简介

1.2 注意力模型

注意力模型，可以参考知乎博客：https://zhuanlan.zhihu.com/p/37601161

即适合于图形和图像，也适合于自然语言处理。可以帮助我们快速识别重点。

例如在识别一张图片的时候，我们并不知道哪个地方是重点。在开始读一本书的时候，不知道哪个章节是重点。很快的进行一个全局的扫描，然后抓住了一些重要的部分，然后对该部分做精读、细读。以提高识别图片和阅读文章的效率。

这意味着神经网络阶段提高效率有两个方向：

• 以用更多的高质量的海量数据，和更强的算力搭建更深层次的神经网络，来提升效果。
• 若本身数据样本就不多，且算力也有限，在现有的资源的情况下，能不能提高注意力？把重点放到重要的特征上（例如图片中的人）。

在下面的图中，根据语言的提示，它很快就可以识别出哪部分是重要的，例如下图中的dog，意味着这些特征在后续会有更高的权重。

在经济学中我们常说“二八定律”，在认知学中有一个叫法“刻意练习”，这都是人类注意力模型的体现。


下图中$x_4$不仅受$x_3$的影响，还可能受$x_1$的影响。可以把LSTM理解成最原始的注意力。

拿到句子之后首先做分词，然后去词库中做相应的匹配和转换。在翻译Tom chase jerry的时候，最前面的这三个词，每个词的重要性很明显是不一样的。

一旦句子比较长的时候，用RNN就会有很大的问题，所以引入了LSTM。现阶段比LSTM更高级的就是注意力模型。

下面公式，有可能根据不同的词，权重参数是不一样的。


Bert已经将注意力模型封装好了，即使不知道其原理，也不影响使用。

1.2 Bert 操作示例

bert-base-chinese 一般可以用来做填词、情感分类等。

点击Compute
下面的案例是填词的作用。

下面的案例，判断——巴黎是法国的首都

还有别的模型，类似下面的【中英文翻译模型】

而这些预训练的模型，如果效果不好，我们也可以
这就很好的解决了小伙伴的迷惑，由于自然语言处理它的每个国家的语言比较复杂，而且某一门语言它所对应的需求也各式各样，所以才会出现针对不同的需求指定了不同的模型。即使我们使用了这个模型之后效果一般，我们可以像之前在深度学习那样，我们也叫做迁移学习，可以在现有的基础之上，去修改一些参数。

总而言之，有了Bert之后，它对于我们自然语言处理的精度效果有大大的提升。

2. 代码示例

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
input_ids = tokenizer.encode('欢迎来到Bert世界', return_tensors='tf')
print(input_ids)
1
2
3
4
5

输出内容：

tf.Tensor([[ 101 3614 6816 3341 1168  100  686 4518  102]], shape=(1, 9), dtype=int32)
1

2.1 代码流程

代码片段涉及到了使用transformers库来加载一个预训练的BERT模型的分词器，并用它来对一段文本进行编码。以下是整体流程和目的的分步说明：

1. 导入AutoTokenizer类：
   from transformers import AutoTokenizer这行代码导入了transformers库中的AutoTokenizer类。这个类可以自动检测并加载与给定模型相对应的分词器(tokenizer)。

2. 加载分词器：
   tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")这行代码创建了一个分词器的实例。from_pretrained方法用于加载预先训练好的分词器，这里是"bert-base-chinese"，专门为中文文本设计的BERT模型的分词器。

3. 文本编码：
   input_ids = tokenizer.encode('欢迎来到Bert世界', return_tensors='tf')这行代码用分词器将提供的中文字符串'欢迎来到Bert世界'转换成BERT模型能够理解的输入格式，即一系列的数字ID。每个ID对应原始文本中的一个词或子词单位。return_tensors='tf'指定返回的格式为TensorFlow张量。

4. 打印输出：
   print(input_ids)这行代码输出编码后的input_ids。这个输出是用于后续的模型预测或者微调过程的输入。

   tf.Tensor([[ 101 3614 6816 3341 1168  100  686 4518  102]], shape=(1, 9), dtype=int32)
   1

目的：
这段代码的主要目的是为了准备数据，将自然语言文本转换为BERT模型可以接受的格式，这是使用BERT模型进行任务（如分类、问答等）前的标准步骤。