Bert学习笔记--使用篇（pytorch）（附源码）（入门级）

一、将虚拟环境加载至pycharm

1、进入pycharm，新建项目

2、输入项目信息

二、使用示例

import torch

def test():
    from transformers import BertTokenizer, BertModel, BertForMaskedLM
    from transformers import BertModel, BertTokenizer
    BERT_PATH = './model/chinese_wwm_L-12_H-768_A-12/publish/'
    tokenizer = BertTokenizer.from_pretrained(BERT_PATH)
    print(tokenizer.tokenize('I have a good time, thank you.'))
    bert = BertModel.from_pretrained(BERT_PATH)
    print('load bert model over')



if __name__ == '__main__':
    test()

文件结构

结果

可以看到bert模型成功使用，且使用了掩码，将“than”掩盖为“##”

三、初步使用

1、预处理数据

现在我们基本熟悉了 BERT 的基本使用，接下来为其准备输入数据。一般情况下，在训练模型前，都需要对手上的数据进行预处理，以满足模型需要。

为了更容易理解得到的输出tokenization，我们以一个简短的文本为例。

from transformers import BertTokenizer
BERT_PATH = './model/chinese_wwm_L-12_H-768_A-12/publish/'
tokenizer = BertTokenizer.from_pretrained(BERT_PATH)
# tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
example_text = 'I will watch Memento tonight'
bert_input = tokenizer(example_text, padding='max_length',
                       max_length=15,
                       truncation=True,
                       return_tensors="pt")
# ------- bert_input ------
print(bert_input['input_ids'])
print(bert_input['token_type_ids'])
print(bert_input['attention_mask'])

下面是对上面BertTokenizer参数的解释：

• padding：将每个sequence填充到指定的最大长度。
• max_length: 每个sequence的最大长度。本示例中我们使用 15，但对于本文实际数据集，我们将使用 512，这是 BERT 允许的sequence 的最大长度。
• truncation：如果为True，则每个序列中超过最大长度的标记将被截断。
• return_tensors：将返回的张量类型。由于我们使用的是 Pytorch，所以我们使用pt；如果你使用 Tensorflow，那么你需要使用tf。

从上面的变量中看到的输出bert_input，是用于稍后的 BERT 模型。但是这些输出是什么意思？

1. 第一行是 input_ids，它是每个 token 的 id 表示。实际上可以将这些输入 id 解码为实际的token，如下所示：

example_text = tokenizer.decode(bert_input.input_ids[0])
print(example_text)

由上述结果所示，BertTokenizer负责输入文本的所有必要转换，为 BERT 模型的输入做好准备。它会自动添加 [CLS]、[SEP] 和 [PAD] token。由于我们指定最大长度为 15，所以最后有五个 [PAD] token。

2. 第二行是 token_type_ids，它是一个 binary mask，用于标识 token 属于哪个 sequence。如果我们只有一个 sequence，那么所有的 token 类型 id 都将为 0。对于文本分类任务，token_type_ids是 BERT 模型的可选输入参数。

3. 第三行是 attention_mask，它是一个 binary mask，用于标识 token 是真实 word 还是只是由填充得到。如果 token 包含 [CLS]、[SEP] 或任何真实单词，则 mask 将为 1。如果 token 只是 [PAD] 填充，则 mask 将为 0。

2、数据集类

现在我们知道从BertTokenizer中获得什么样的输出，接下来为新闻数据集构建一个Dataset类，该类将作为一个类来将新闻数据转换成模型需要的数据格式。

import torch
import numpy as np
from transformers import BertTokenizer

BERT_PATH = './model/chinese_wwm_L-12_H-768_A-12/publish'
tokenizer = BertTokenizer.from_pretrained(BERT_PATH)

labels = {'business':0,
          'entertainment':1,
          'sport':2,
          'tech':3,
          'politics':4
          }

class Dataset(torch.utils.data.Dataset):
    def __init__(self, df):
        self.labels = [labels[label] for label in df['category']]
        self.texts = [tokenizer(text, 
                                padding='max_length', 
                                max_length = 512, 
                                truncation=True,
                                return_tensors="pt") 
                      for text in df['text']]

    def classes(self):
        return self.labels

    def __len__(self):
        return len(self.labels)

    def get_batch_labels(self, idx):
        # Fetch a batch of labels
        return np.array(self.labels[idx])

    def get_batch_texts(self, idx):
        # Fetch a batch of inputs
        return self.texts[idx]

    def __getitem__(self, idx):
        batch_texts = self.get_batch_texts(idx)
        batch_y = self.get_batch_labels(idx)
        return batch_texts, batch_y

在上面实现的代码中，我们定义了一个名为 labels的变量，它是一个字典，将DataFrame中的 category 映射到 labels的 id 表示。注意，上面的__init__函数中，还调用了BertTokenizer将输入文本转换为 BERT 期望的向量格式。

定义Dataset类后，将数据框拆分为训练集、验证集和测试集，比例为 80:10:10。

np.random.seed(112)
df = pd.read_csv('./data/train.csv')
df_train, df_val, df_test = np.split(df.sample(frac=1, random_state=42),
                                     [int(.8 * len(df)), int(.9 * len(df))])
print(len(df_train), len(df_val), len(df_test))

3、构建模型

至此，我们已经成功构建了一个 Dataset 类来生成模型输入数据。现在使用具有 12 层 Transformer 编码器的预训练 BERT 基础模型构建实际模型。

from torch import nn
from transformers import BertModel

class BertClassifier(nn.Module):
    def __init__(self, dropout=0.5):
        super(BertClassifier, self).__init__()
        BERT_PATH = './model/chinese_wwm_L-12_H-768_A-12/publish'
        self.bert = BertModel.from_pretrained(BERT_PATH)
        self.dropout = nn.Dropout(dropout)
        self.linear = nn.Linear(768, 5)
        self.relu = nn.ReLU()

    def forward(self, input_id, mask):
        _, pooled_output = self.bert(input_ids= input_id, attention_mask=mask,return_dict=False)
        dropout_output = self.dropout(pooled_output)
        linear_output = self.linear(dropout_output)
        final_layer = self.relu(linear_output)
        return final_layer

从上面的代码可以看出，BERT 模型输出了两个变量：

• 在上面的代码中命名的第一个变量_包含sequence中所有 token 的 Embedding 向量层。
• 命名的第二个变量pooled_output包含 [CLS] token 的 Embedding 向量。对于文本分类任务，使用这个 Embedding 作为分类器的输入就足够了。

然后将pooled_output变量传递到具有 ReLU 激活函数的线性层。在线性层中输出一个维度大小为 5 的向量，每个向量对应于标签类别。

4、训练模型

接下来是训练模型。使用标准的 PyTorch 训练循环来训练模型。

from torch.optim import Adam
from tqdm import tqdm

def train(model, train_data, val_data, learning_rate, epochs):
  # 通过Dataset类获取训练和验证集
    train, val = Dataset(train_data), Dataset(val_data)
    # DataLoader根据batch_size获取数据，训练时选择打乱样本
    train_dataloader = torch.utils.data.DataLoader(train, batch_size=2, shuffle=True)
    val_dataloader = torch.utils.data.DataLoader(val, batch_size=2)
  # 判断是否使用GPU
    use_cuda = torch.cuda.is_available()
    device = torch.device("cuda" if use_cuda else "cpu")
    # 定义损失函数和优化器
    criterion = nn.CrossEntropyLoss()
    optimizer = Adam(model.parameters(), lr=learning_rate)

    if use_cuda:
            model = model.cuda()
            criterion = criterion.cuda()
    # 开始进入训练循环
    for epoch_num in range(epochs):
      # 定义两个变量，用于存储训练集的准确率和损失
            total_acc_train = 0
            total_loss_train = 0
      # 进度条函数tqdm
            for train_input, train_label in tqdm(train_dataloader):

                train_label = train_label.to(device)
                mask = train_input['attention_mask'].to(device)
                input_id = train_input['input_ids'].squeeze(1).to(device)
        # 通过模型得到输出
                output = model(input_id, mask)
                # 计算损失
                batch_loss = criterion(output, train_label)
                total_loss_train += batch_loss.item()
                # 计算精度
                acc = (output.argmax(dim=1) == train_label).sum().item()
                total_acc_train += acc
        # 模型更新
                model.zero_grad()
                batch_loss.backward()
                optimizer.step()
            # ------ 验证模型 -----------
            # 定义两个变量，用于存储验证集的准确率和损失
            total_acc_val = 0
            total_loss_val = 0
      # 不需要计算梯度
            with torch.no_grad():
                # 循环获取数据集，并用训练好的模型进行验证
                for val_input, val_label in val_dataloader:
          # 如果有GPU，则使用GPU，接下来的操作同训练
                    val_label = val_label.to(device)
                    mask = val_input['attention_mask'].to(device)
                    input_id = val_input['input_ids'].squeeze(1).to(device)
  
                    output = model(input_id, mask)

                    batch_loss = criterion(output, val_label)
                    total_loss_val += batch_loss.item()
                    
                    acc = (output.argmax(dim=1) == val_label).sum().item()
                    total_acc_val += acc
            
            print(
                f'''Epochs: {epoch_num + 1} 
              | Train Loss: {total_loss_train / len(train_data): .3f} 
              | Train Accuracy: {total_acc_train / len(train_data): .3f} 
              | Val Loss: {total_loss_val / len(val_data): .3f} 
              | Val Accuracy: {total_acc_val / len(val_data): .3f}''')      

我们对模型进行了 5 个 epoch 的训练，我们使用 Adam 作为优化器，而学习率设置为1e-6。因为本案例中是处理多类分类问题，则使用分类交叉熵作为我们的损失函数。

建议使用 GPU 来训练模型，因为 BERT 基础模型包含 1.1 亿个参数。

EPOCHS = 5
model = BertClassifier()
LR = 1e-6
train(model, df_train, df_val, LR, EPOCHS)

排查了三个小时错误之后，我的模型它终于在跑了，我好欣慰。

 进度条终于进了！！！！！！！！！！！

训练结果

100%|██████████| 4000/4000 [09:37<00:00,  6.93it/s]
  0%|          | 0/4000 [00:00<?, ?it/s]Epochs: 1 
              | Train Loss:  0.590 
              | Train Accuracy:  0.518 
              | Val Loss:  0.446 
              | Val Accuracy:  0.686
100%|██████████| 4000/4000 [09:47<00:00,  6.81it/s]
Epochs: 2 
              | Train Loss:  0.305 
              | Train Accuracy:  0.810 
              | Val Loss:  0.270 
              | Val Accuracy:  0.842
100%|██████████| 4000/4000 [09:36<00:00,  6.93it/s]
  0%|          | 0/4000 [00:00<?, ?it/s]Epochs: 3 
              | Train Loss:  0.163 
              | Train Accuracy:  0.910 
              | Val Loss:  0.223 
              | Val Accuracy:  0.878
100%|██████████| 4000/4000 [09:45<00:00,  6.83it/s]
Epochs: 4 
              | Train Loss:  0.092 
              | Train Accuracy:  0.953 
              | Val Loss:  0.208 
              | Val Accuracy:  0.882
100%|██████████| 4000/4000 [09:52<00:00,  6.76it/s]
Epochs: 5 
              | Train Loss:  0.058 
              | Train Accuracy:  0.970 
              | Val Loss:  0.196 
              | Val Accuracy:  0.898
Test Accuracy:  0.932

显然，由于训练过程的随机性，每次可能不会得到与上面截图类似的损失和准确率值。如果在 5 个 epoch 之后没有得到好的结果，可以尝试将 epoch 增加到 10 个，或者调整学习率。

5、在测试数据上评估模型

现在我们已经训练了模型，我们可以使用测试数据来评估模型在未见数据上的性能。下面是评估模型在测试集上的性能的函数。

def evaluate(model, test_data):
    test = Dataset(test_data)
    test_dataloader = torch.utils.data.DataLoader(test, batch_size=2)
    use_cuda = torch.cuda.is_available()
    device = torch.device("cuda" if use_cuda else "cpu")
    if use_cuda:
        model = model.cuda()

    total_acc_test = 0
    with torch.no_grad():
        for test_input, test_label in test_dataloader:
            test_label = test_label.to(device)
            mask = test_input['attention_mask'].to(device)
            input_id = test_input['input_ids'].squeeze(1).to(device)
            output = model(input_id, mask)
            acc = (output.argmax(dim=1) == test_label).sum().item()
            total_acc_test += acc
    print(f'Test Accuracy: {total_acc_test / len(test_data): .3f}')

精确度为0.932，已然不低

四、下一步目标

1、保存训练后的模型，方便下次直接调用

2、学习如何加快模型训练速度

3、直接调用模型

4、保存分类后的结果

五、全部代码（包含bert中文模型、数据集）

GitHub地址：

GitHub - YZXqqq/first_bert: 第一次尝试bert模型训练及测试，结果为0.9+

百度网盘下载链接：

链接: https://pan.baidu.com/s/1BddRqHZAP6yWwLSxr7CgOg?pwd=rxff 提取码: rxff 复制这段内容后打开百度网盘手机App，操作更方便哦

如有失效或者需要阿里云盘链接的，可以留言告知，也可以私信我，也可以关注个人公众号【机器学习之NLP爬坡之旅】后台私信【001】获取下载链接

注：压缩包有1G

参考文章：

保姆级教程，用PyTorch和BERT进行文本分类 - 知乎

关于封面

封面提示词来自智谱清言旗下的GLM-4

封面来自智谱清言旗下的AI画图