通过PyTorch来创建一个文本分类的Bert模型

时间：2022-09-15 08:00:07

通过PyTorch来创建一个文本分类的Bert模型

2018 年，谷歌发表了一篇题为《Pre-training of deep bidirectional Transformers for Language Understanding》的论文。

在本文中，介绍了一种称为BERT(带转换器Transformers的双向编码Encoder 器表示)的语言模型，该模型在问答、自然语言推理、分类和通用语言理解评估或 (GLUE)等任务中取得了最先进的性能.

BERT全称为Bidirectional Encoder Representation from Transformers[1]，是一种用于语言表征的预训练模型。

它基于谷歌2017年发布的Transformer架构，通常的Transformer使用一组编码器和解码器网络，而BERT只需要一个额外的输出层，对预训练进行fine-tune，就可以满足各种任务，根本没有必要针对特定任务对模型进行修改。

BERT将多个Transformer编码器堆叠在一起。Transformer基于著名的多头注意力(Multi-head Attention)模块，该模块在视觉和语言任务方面都取得了巨大成功。

在本文中，我们将使用 PyTorch来创建一个文本分类的Bert模型。

笔者介今天绍一个python库 --- simpletransformers，可以很好的解决高级预训练语言模型使用困难的问题。

simpletransformers使得高级预训练模型(BERT、RoBERTa、XLNet、XLM、DistilBERT、ALBERT、CamemBERT、XLM-RoBERTa、FlauBERT)的训练、评估和预测变得简单，每条只需3行即可初始化模型。

数据集来源：https://www.kaggle.com/jrobischon/wikipedia-movie-plots

该数据集包含对来自世界各地的 34,886 部电影的描述。列描述如下：

  • 发行年份：电影发行的年份
  • 标题：电影标题
  • 起源：电影的起源(即美国、宝莱坞、泰米尔等)
  • 剧情：主要演员
  • 类型：电影类型
  • 维基页面- 从中抓取情节描述的*页面的 URL
  • 情节：电影情节的长篇描述
  1. import numpy as np 
  2. import pandas as pd 
  3. import os, json, gc, re, random 
  4. from tqdm.notebook import tqdm 
  5. import torch, transformers, tokenizers 
  6. movies_df = pd.read_csv("wiki_movie_plots_deduped.csv") 
  7. from sklearn.preprocessing import LabelEncoder 
  8.  
  9. movies_df = movies_df[(movies_df["Origin/Ethnicity"]=="American") | (movies_df["Origin/Ethnicity"]=="British")] 
  10. movies_df = movies_df[["Plot", "Genre"]] 
  11. drop_indices = movies_df[movies_df["Genre"] == "unknown" ].index 
  12. movies_df.drop(drop_indices, inplace=True) 
  13.  
  14. # Combine genres: 1) "sci-fi" with "science fiction" &  2) "romantic comedy" with "romance" 
  15. movies_df["Genre"].replace({"sci-fi": "science fiction", "romantic comedy": "romance"}, inplace=True) 
  16.  
  17. # 根据频率选择电影类型 
  18. shortlisted_genres = movies_df["Genre"].value_counts().reset_index(name="count").query("count > 200")["index"].tolist() 
  19. movies_df = movies_df[movies_df["Genre"].isin(shortlisted_genres)].reset_index(drop=True) 
  20.  
  21. # Shuffle  
  22. movies_df = movies_df.sample(frac=1).reset_index(drop=True) 
  23.  
  24. #从不同类型中抽取大致相同数量的电影情节样本（以减少阶级不平衡问题） 
  25. movies_df = movies_df.groupby("Genre").head(400).reset_index(drop=True) 
  26. label_encoder = LabelEncoder() 
  27. movies_df["genre_encoded"] = label_encoder.fit_transform(movies_df["Genre"].tolist()) 
  28. movies_df = movies_df[["Plot", "Genre", "genre_encoded"]] 
  29. movies_df 

通过PyTorch来创建一个文本分类的Bert模型

使用 torch 加载 BERT 模型，最简单的方法是使用 Simple Transformers 库，以便只需 3 行代码即可初始化、在给定数据集上训练和在给定数据集上评估 Transformer 模型。

  1. from simpletransformers.classification import ClassificationModel 
  2.  
  3. # 模型参数 
  4. model_args = { 
  5.     "reprocess_input_data": True, 
  6.     "overwrite_output_dir": True, 
  7.     "save_model_every_epoch": False, 
  8.     "save_eval_checkpoints": False, 
  9.     "max_seq_length": 512, 
  10.     "train_batch_size": 16, 
  11.     "num_train_epochs": 4, 
  12. } 
  13.  
  14. # Create a ClassificationModel 
  15. model = ClassificationModel('bert', 'bert-base-cased', num_labels=len(shortlisted_genres), args=model_args) 

训练模型

  1. train_df, eval_df = train_test_split(movies_df, test_size=0.2, stratify=movies_df["Genre"], random_state=42) 
  2.  
  3. # Train the model 
  4. model.train_model(train_df[["Plot", "genre_encoded"]]) 
  5.  
  6. # Evaluate the model 
  7. result, model_outputs, wrong_predictions = model.eval_model(eval_df[["Plot", "genre_encoded"]]) 
  8. print(result) 
  9.  
  10. {'mcc': 0.5299659404649717, 'eval_loss': 1.4970421879083518} 
  11. CPU times: user 19min 1s, sys: 4.95 s, total: 19min 6s 
  12. Wall time: 20min 14s 

关于simpletransformers的官方文档：https://simpletransformers.ai/docs

Github链接：https://github.com/ThilinaRajapakse/simpletransformers

原文链接：https://mp.weixin.qq.com/s/lFqB5-CHlDnt3UMzOpmnKw

标签：

相关文章