昇思MindSpore学习总结十五 ——基于Mindspore 实现BERT对话情绪识别

时间:2024-07-13 14:31:54

1、环境配置

根据实际情况,选择合适版本。

%%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

2、模型简介

        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。

import os  # 导入操作系统相关的模块

import mindspore  # 导入MindSpore框架
from mindspore.dataset import text, GeneratorDataset, transforms  # 从MindSpore的数据集模块导入文本处理、生成器数据集和转换功能
from mindspore import nn, context  # 从MindSpore导入神经网络模块和上下文管理模块

from mindnlp._legacy.engine import Trainer, Evaluator  # 从MindNLP的引擎模块导入训练器和评估器
from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback  # 从MindNLP的引擎模块导入检查点回调和最佳模型回调
from mindnlp._legacy.metrics import Accuracy  # 从MindNLP的指标模块导入准确率度量

 

# prepare dataset
class SentimentDataset:  # 定义一个情感数据集类
    """Sentiment Dataset"""

    def __init__(self, path):  # 初始化函数,接受文件路径作为参数
        self.path = path  # 存储文件路径
        self._labels, self._text_a = [], []  # 初始化标签和文本列表
        self._load()  # 加载数据

    def _load(self):  # 私有方法,用于加载数据
        with open(self.path, "r", encoding="utf-8") as f:  # 打开文件
            dataset = f.read()  # 读取文件内容
        lines = dataset.split("\n")  # 按行分割文件内容
        for line in lines[1:-1]:  # 遍历除首行和末行的每一行
            label, text_a = line.split("\t")  # 按制表符分割标签和文本
            self._labels.append(int(label))  # 将标签转换为整数并添加到标签列表
            self._text_a.append(text_a)  # 将文本添加到文本列表

    def __getitem__(self, index):  # 获取指定索引的数据
        return self._labels[index], self._text_a[index]  # 返回对应索引的标签和文本

    def __len__(self):  # 获取数据集的长度
        return len(self._labels)  # 返回标签列表的长度

3、数据集

                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

 4、数据加载和数据预处理

4.1 加载

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  # 导入NumPy库

def process_dataset(source, tokenizer, max_seq_len=64, batch_size=32, shuffle=True):
    # 定义处理数据集的函数,接受数据源、分词器、最大序列长度、批次大小和是否打乱数据作为参数
    is_ascend = mindspore.get_context('device_target') == 'Ascend'
    # 检查MindSpore的运行设备是否为Ascend

    column_names = ["label", "text_a"]  
    # 定义数据集的列名

    dataset = GeneratorDataset(source, column_names=column_names, shuffle=shuffle)
    # 创建生成器数据集,并指定列名和是否打乱数据

    # transforms
    type_cast_op = transforms.TypeCast(mindspore.int32)
    # 定义类型转换操作,将数据类型转换为int32

    def tokenize_and_pad(text):  
        # 定义分词和填充函数
        if is_ascend:  
            # 如果设备是Ascend
            tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len)
            # 使用分词器对文本进行分词、填充和截断,最大长度为max_seq_len
        else:
            tokenized = tokenizer(text)
            # 如果不是Ascend设备,仅进行分词
        return tokenized['input_ids'], tokenized['attention_mask']
        # 返回分词后的输入ID和注意力掩码

    # map dataset
    dataset = dataset.map(operations=tokenize_and_pad, input_columns="text_a", output_columns=['input_ids', 'attention_mask'])
    # 将分词和填充操作映射到数据集的"text_a"列,输出列为'input_ids'和'attention_mask'
    dataset = dataset.map(operations=[type_cast_op], input_columns="label", output_columns='labels')
    # 将类型转换操作映射到数据集的"label"列,输出列为'labels'

    # batch dataset
    if is_ascend:
        # 如果设备是Ascend
        dataset = dataset.batch(batch_size)
        # 直接将数据集分成批次
    else:
        # 如果不是Ascend设备
        dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id),
                                                             'attention_mask': (None, 0)})
        # 使用指定的填充值将数据集分成批次

    return dataset
    # 返回处理后的数据集

4.2 处理

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  # 从MindNLP的transformers模块导入BertTokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')  # 从预训练模型'bert-base-chinese'中加载BertTokenizer分词器
tokenizer.pad_token_id  # 获取分词器中用于填充的token的ID

tokenizer.pad_token_id 返回 0,这意味着在使用这个分词器进行填充时,[PAD] 标记的ID是 0

dataset_train = process_dataset(SentimentDataset("data/train.tsv"), tokenizer)
# 使用训练数据集文件 "data/train.tsv" 创建 SentimentDataset 实例,并使用 process_dataset 函数处理数据集
# 得到处理后的训练数据集 dataset_train

dataset_val = process_dataset(SentimentDataset("data/dev.tsv"), tokenizer)
# 使用验证数据集文件 "data/dev.tsv" 创建 SentimentDataset 实例,并使用 process_dataset 函数处理数据集
# 得到处理后的验证数据集 dataset_val

dataset_test = process_dataset(SentimentDataset("data/test.tsv"), tokenizer, shuffle=False)
# 使用测试数据集文件 "data/test.tsv" 创建 SentimentDataset 实例,并使用 process_dataset 函数处理数据集
# 得到处理后的测试数据集 dataset_test
# 注意,这里设置了 shuffle=False,表示不打乱数据集

dataset_train.get_col_names()
# 获取处理后的训练数据集的列名

print(next(dataset_train.create_tuple_iterator()))
# 创建一个元组迭代器并获取数据集中的第一个批次,然后打印该批次的数据

 5、模型构建

        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。

from mindnlp.transformers import BertForSequenceClassification, BertModel
# 从MindNLP的transformers模块导入BertForSequenceClassification和BertModel类

from mindnlp._legacy.amp import auto_mixed_precision
# 从MindNLP的_legacy.amp模块导入auto_mixed_precision函数

# set bert config and define parameters for training
# 设置BERT配置并定义训练参数

model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=3)
# 从预训练模型 'bert-base-chinese' 中加载BERT用于序列分类的模型,设置分类标签数为3

model = auto_mixed_precision(model, 'O1')
# 使用混合精度训练,将模型转换为混合精度模式,优化训练速度和内存占用
# 'O1' 表示在混合精度训练中采用混合模式

optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)
# 定义优化器,使用Adam优化算法,并设置模型可训练参数和学习率为2e-5

metric = Accuracy()
# 定义度量标准,用于评估模型性能,这里使用准确率(Accuracy)作为度量标准。

# 定义用于保存检查点的回调函数
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='bert_emotect', epochs=1, keep_checkpoint_max=2)
# CheckpointCallback回调函数每1个epoch保存一次模型检查点(checkpoint),
# 保存路径为'checkpoint',检查点文件名为'bert_emotect',最多保留2个检查点。

best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='bert_emotect_best', auto_load=True)
# BestModelCallback回调函数用于保存性能最好的模型,保存路径为'checkpoint',
# 最佳模型文件名为'bert_emotect_best',在训练开始时自动加载最好的模型(如果存在)。

trainer = Trainer(network=model, train_dataset=dataset_train,
                  eval_dataset=dataset_val, metrics=metric,
                  epochs=5, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb])
# 初始化Trainer对象,用于训练和评估模型。
# 参数解释:
# - network=model:指定要训练的模型。
# - train_dataset=dataset_train:指定用于训练的数据集。
# - eval_dataset=dataset_val:指定用于评估的数据集。
# - metrics=metric:指定评估指标,这里使用的是准确率(Accuracy)。
# - epochs=5:指定训练的轮数(epochs)。
# - optimizer=optimizer:指定用于优化模型的优化器。
# - callbacks=[ckpoint_cb, best_model_cb]:指定回调函数列表,包括检查点回调和最佳模型回调。
%%time
# 开始训练
trainer.run(tgt_columns="labels")
# 这行代码开始训练模型,并计时训练过程的执行时间。
# 参数解释:
# - tgt_columns="labels":指定目标列(标签列)的名称,用于训练模型。

6、模型推理

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")
from mindspore import Tensor
# 导入Tensor类

for label, text in dataset_infer:
    predict(text, label)
    # 遍历推理数据集dataset_infer,每次循环获取一对标签和文本。
    # 调用predict函数对文本进行预测,并输出预测结果和真实标签。

7、自定义推理数据集

自己输入推理数据,展示模型的泛化能力。

predict("都说的是啥玩意儿啊 都听不懂")

打卡