Python 教你3分钟用Bert搭建问答搜索引擎_bert python

鼎鼎大名的 Bert 算法相信大部分同学都听说过，它是Google推出的NLP领域“王炸级”预训练模型，其在NLP任务中刷新了多项记录，并取得state of the art的成绩。

但是有很多深度学习的新手发现BERT模型并不好搭建，上手难度很高，普通人可能要研究几天才能勉强搭建出一个模型。

没关系，今天我们介绍的这个模块，能让你在3分钟内基于BERT算法搭建一个问答搜索引擎。它就是 bert-as-service 项目。这个开源项目，能够让你基于多GPU机器快速搭建BERT服务（支持微调模型），并且能够让多个客户端并发使用。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点。

请选择以下任一种方式输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install bert-serving-server # 服务端
pip install bert-serving-client # 客户端

请注意，服务端的版本要求：Python >= 3.5，Tensorflow >= 1.10 。

此外还要下载预训练好的BERT模型，在 https://github.com/hanxiao/bert-as-service#install 上可以下载。

也可在Python实用宝典后台回复 bert-as-service 下载这些预训练好的模型。

下载完成后，将 zip 文件解压到某个文件夹中，例如 /tmp/english_L-12_H-768_A-12/

2.Bert-as-service 基本使用

安装完成后，输入以下命令启动BERT服务：

bert-serving-start -model_dir /tmp/english_L-12_H-768_A-12/ -num_worker=4

-num_worker=4 代表这将启动一个有四个worker的服务，意味着它最多可以处理四个并发请求。超过4个其他并发请求将在负载均衡器中排队等待处理。

下面显示了正确启动时服务器的样子：

使用客户端获取语句的编码

现在你可以简单地对句子进行编码，如下所示：

from bert_serving.client import BertClient
bc = BertClient()
bc.encode(['First do it', 'then do it right', 'then do it better'])

作为 BERT 的一个特性，你可以通过将它们与 |||（前后有空格）连接来获得一对句子的编码，例如

bc.encode(['First do it ||| then do it right'])

远程使用 BERT 服务

你还可以在一台 (GPU) 机器上启动服务并从另一台 (CPU) 机器上调用它，如下所示：

# on another CPU machine
from bert_serving.client import BertClient
bc = BertClient(ip='xx.xx.xx.xx') # ip address of the GPU machine
bc.encode(['First do it', 'then do it right', 'then do it better'])

3.搭建问答搜索引擎

我们将通过 bert-as-service 从FAQ 列表中找到与用户输入的问题最相似的问题，并返回相应的答案。

FAQ列表你也可以在 Python实用宝典后台回复 bert-as-service 下载。

首先，加载所有问题，并显示统计数据：

prefix_q = '##### **Q:** '
with open('README.md') as fp:
    questions = [v.replace(prefix_q, '').strip() for v in fp if v.strip() and v.startswith(prefix_q)]
    print('%d questions loaded, avg. len of %d' % (len(questions), np.mean([len(d.split()) for d in questions])))
    # 33 questions loaded, avg. len of 9

一共有33个问题被加载，平均长度是9.

然后使用预训练好的模型：uncased_L-12_H-768_A-12 启动一个Bert服务：

bert-serving-start -num_worker=1 -model_dir=/data/cips/data/lab/data/model/uncased_L-12_H-768_A-12

接下来，将我们的问题编码为向量：

bc = BertClient(port=4000, port_out=4001)
doc_vecs = bc.encode(questions)

最后，我们准备好接收用户的查询，并对现有问题执行简单的“模糊”搜索。

为此，每次有新查询到来时，我们将其编码为向量并计算其点积  doc_vecs 然后对结果进行降序排序，返回前N个类似的问题：

while True:
    query = input('your question: ')
    query_vec = bc.encode([query])[0]
    # compute normalized dot product as score
    score = np.sum(query_vec * doc_vecs, axis=1) / np.linalg.norm(doc_vecs, axis=1)
    topk_idx = np.argsort(score)[::-1][:topk]
    for idx in topk_idx:
        print('> %s\t%s' % (score[idx], questions[idx]))

完成！现在运行代码并输入你的查询，看看这个搜索引擎如何处理模糊匹配：

完整代码如下，一共23行代码（在后台回复关键词也能下载）：

上滑查看完整代码

import numpy as np
from bert_serving.client import BertClient
from termcolor import colored
 
prefix_q = '##### **Q:** '
topk = 5
 
with open('README.md') as fp:
    questions = [v.replace(prefix_q, '').strip() for v in fp if v.strip() and v.startswith(prefix_q)]
    print('%d questions loaded, avg. len of %d' % (len(questions), np.mean([len(d.split()) for d in questions])))
 
with BertClient(port=4000, port_out=4001) as bc:
    doc_vecs = bc.encode(questions)
 
    while True:
        query = input(colored('your question: ', 'green'))
        query_vec = bc.encode([query])[0]
        # compute normalized dot product as score
        score = np.sum(query_vec * doc_vecs, axis=1) / np.linalg.norm(doc_vecs, axis=1)
        topk_idx = np.argsort(score)[::-1][:topk]
        print('top %d questions similar to "%s"' % (topk, colored(query, 'green')))
        for idx in topk_idx:
            print('> %s\t%s' % (colored('%.1f' % score[idx], 'cyan'), colored(questions[idx], 'yellow')))

够简单吧？当然，这是一个基于预训练的Bert模型制造的一个简单QA搜索模型。

你还可以微调模型，让这个模型整体表现地更完美，你可以将自己的数据放到某个目录下，然后执行 run_classifier.py 对模型进行微调。