基本介绍
环境: Python 3.5+, Pytorch 0.4.1/1.0.0
安装:
|
1
|
pip install pytorch-pretrained-bert
|
必需参数:
--data_dir: "str": 数据根目录.目录下放着,train.xxx/dev.xxx/test.xxx三个数据文件.
--vocab_dir: "str": 词库文件地址.
--bert_model: "str": 存放着bert预训练好的模型. 需要是一个gz文件, 如"..x/xx/bert-base-chinese.tar.gz ", 里面包含一个bert_config.json和pytorch_model.bin文件.
--task_name: "str": 用来选择对应数据集的参数,如"cola",对应着数据集.
--output_dir: "str": 模型预测结果和模型参数存储目录.
简单例子:
导入所需包
|
1
2
|
import torch
from pytorch_pretrained_bert import BertTokenizer, BertModel, BertForMaskedLM
|
创建分词器
|
1
|
tokenizer = BertTokenizer.from_pretrained(--vocab_dir)
|
需要参数: --vocab_dir， 数据样式见此
拥有函数:
tokenize: 输入句子，根据--vocab_dir和贪心原则切词. 返回单词列表
convert_token_to_ids: 将切词后的列表转换为词库对应id列表.
convert_ids_to_tokens: 将id列表转换为单词列表.
|
1
2
3
4
5
6
|
text = '[CLS] 武松打老虎 [SEP] 你在哪 [SEP]'
tokenized_text = tokenizer.tokenize(text)
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)
segments_ids = [0, 0, 0, 0, 0, 0, 0,0,0,0, 1,1, 1, 1, 1, 1, 1, 1]
tokens_tensor = torch.tensor([indexed_tokens])
segments_tensors = torch.tensor([segments_ids])
|
这里对标记符号的切词似乎有问题([cls]/[sep])， 而且中文bert是基于字级别编码的，因此切出来的都是一个一个汉字:
|
1
|
['[', 'cl', '##s', ']', '武', '松', '打', '老', '虎', '[', 'sep', ']', '你', '在', '哪', '[', 'sep', ']']
|
创建bert模型并加载预训练模型:
|
1
|
model = BertModel.from_pretrained(--bert_model)
|
放入GPU:
|
1
2
3
|
tokens_tensor = tokens_tensor.cuda()
segments_tensors = segments_tensors.cuda()
model.cuda()
|
前向传播:
|
1
|
encoded_layers, pooled_output= model(tokens_tensor, segments_tensors)
|
参数:
input_ids: (batch_size, sqe_len)代表输入实例的Tensor
token_type_ids=None: (batch_size, sqe_len)一个实例可以含有两个句子，这个相当于句子标记.
attention_mask=None: (batch_size*): 传入每个实例的长度，用于attention的mask.
output_all_encoded_layers=True: 控制是否输出所有encoder层的结果.
返回值:
encoded_layer：长度为num_hidden_layers的(batch_size， sequence_length，hidden_size)的Tensor.列表
pooled_output: (batch_size, hidden_size), 最后一层encoder的第一个词[CLS]经过Linear层和激活函数Tanh()后的Tensor. 其代表了句子信息
补充：pytorch使用Bert
主要分为以下几个步骤：
下载模型放到目录中
使用transformers中的BertModel，BertTokenizer来加载模型与分词器
使用tokenizer的encode和decode 函数分别编码与解码，注意参数add_special_tokens和skip_special_tokens
forward的输入是一个[batch_size, seq_length]的tensor，再需要注意的是attention_mask参数。
输出是一个tuple，tuple的第一个值是bert的最后一个transformer层的hidden_state，size是[batch_size, seq_length, hidden_size]，也就是bert最后的输出，再用于下游的任务。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
|
# -*- encoding: utf-8 -*-
import warnings
warnings.filterwarnings('ignore')
from transformers import BertModel, BertTokenizer, BertConfig
import os
from os.path import dirname, abspath
root_dir = dirname(dirname(dirname(abspath(__file__))))
import torch
# 把预训练的模型从官网下载下来放到目录中
pretrained_path = os.path.join(root_dir, 'pretrained/bert_zh')
# 从文件中加载bert模型
model = BertModel.from_pretrained(pretrained_path)
# 从bert目录中加载词典
tokenizer = BertTokenizer.from_pretrained(pretrained_path)
print(f'vocab size :{tokenizer.vocab_size}')
# 把'[PAD]'编码
print(tokenizer.encode('[PAD]'))
print(tokenizer.encode('[SEP]'))
# 把中文句子编码，默认加入了special tokens了，也就是句子开头加入了[CLS] 句子结尾加入了[SEP]
ids = tokenizer.encode("我是中国人", add_special_tokens=True)
# 从结果中看，101是[CLS]的id，而2769是"我"的id
# [101, 2769, 3221, 704, 1744, 782, 102]
print(ids)
# 把ids解码为中文，默认是没有跳过特殊字符的
print(tokenizer.decode([101, 2769, 3221, 704, 1744, 782, 102], skip_special_tokens=False))
# print(model)
inputs = torch.tensor(ids).unsqueeze(0)
# forward，result是一个tuple，第一个tensor是最后的hidden-state
result = model(torch.tensor(inputs))
# [1, 5, 768]
print(result[0].size())
# [1, 768]
print(result[1].size())
for name, parameter in model.named_parameters():
# 打印每一层，及每一层的参数
print(name)
# 每一层的参数默认都requires_grad=True的，参数是可以学习的
print(parameter.requires_grad)
# 如果只想训练第11层transformer的参数的话：
if '11' in name:
parameter.requires_grad = True
else:
parameter.requires_grad = False
print([p.requires_grad for name, p in model.named_parameters()])
|
添加atten_mask的方法：
其中101是[CLS]，102是[SEP]，0是[PAD]
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
>>> a
tensor([[101, 3, 4, 23, 11, 1, 102, 0, 0, 0]])
>>> notpad = a!=0
>>> notpad
tensor([[ True, True, True, True, True, True, True, False, False, False]])
>>> notcls = a!=101
>>> notcls
tensor([[False, True, True, True, True, True, True, True, True, True]])
>>> notsep = a!=102
>>> notsep
tensor([[ True, True, True, True, True, True, False, True, True, True]])
>>> mask = notpad & notcls & notsep
>>> mask
tensor([[False, True, True, True, True, True, False, False, False, False]])
>>>
|
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/Wangpeiyi9979/article/details/89191709