为什么使用BERT
1.使用Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation,增加词向量模型泛化能力。
2.预训练架构与最终下游架构之间的差异很小,可进行迁移学习。
3.证明了预训练模型能够消除很多繁重的任务相关的网络结构。
BERT的结构示意
BERT和GPT均是采用的transformer的结构,其是双向结构的,而GPT是单向的,如图
预训练模型架构的差异:BERT使用双向Transformer。OpenAI GPT使用从单向的Transformer。ELMo使用独立训练的从左到右和从右到左LSTM的来合并生成。在这三种模型中,BERT具备较强的泛化能力。除了架构差异之外,BERT和OpenAI GPT是一种微调方法,而ELMo是一种基于特征的方法。
可以简化一下为:
BERT:每层均使用双向Transformer,以
作为目标函数进行训练。
OpenAI GPT:从左至右的Transformer;
ELMo:从左至右&从右至左的两个LSTM,分别以
和
作为目标函数,独立训练出两个representation然后拼接。
BERT的预训练过程
BERT的预训练阶段包括两个任务,分别是Masked Language Model 和 Next Sentence Prediction。
1.Masked Language Model
类比为完形填空,随机MASK每一个句子中15%的词,用其上下文来做预测。
随机MASK说明:
(1)[MASK]替换(80%)
(2)随机替换(10%)
(3)不变(10%)
为什么?
1.如果总是使用[MASK]标记,那么模型就学习不到其他单词的良好表示。
2.如果总是使用[MASK]标记随机单词,模型将了解到观察到的单词永远不会正确。
3.如果总是使用[MASK]标记观察到的单词,那个么模型就会偏向于琐碎地复制。
2.Next Sentence Prediction
让模型理解问答,推理等句子对之间的关系
50%:B是跟随A的实际下一个句子(标记为IsNext)
50%:来自语料库的随机句子(标记为NotNext)
对比:
BERT:传输所有参数初始化最终任务模型参数
其他:句子嵌入被转移到下游任务
NSP任务的准确率经过1-2个Epoch训练后就能达到98%-99%,去掉NSP任务之后对模型效果并不会有太大的影响。
微调
除了输出层之外,在预训练和微调中也使用了相同的架构。相同的预训练模型参数用于初始化不同下游任务(downstream tasks)的模型。在微调过程中,对所有参数进行微调,BERT对每一个词元(token)返回抽取了上下文信息的特征向量。
即使下游任务各有不同,使用BERT微调时均只需要增加输出层,但根据任务的不同,输入的表示,和使用的BERT特征也会不一样。
文本分类
单文本分类和文本对分类要求模型输入需要附加一个起始Token,记为[CLS],对应最终的Hidden State(即Transformer的输出)可以用来表征整个句子,用于下游的分类任务。就是将[CLS]对应的向量输入到全连接层进行分类。
为了识别一个词元是不是命名实体,例如人名、机构、位置,可以将非特殊词元放进全连接层进行分类。
给定一个问题,和描述文字,找出一个片段作为回答,对片段中的每个词元预测它是不是回答的开头或结束,然后返回两个整数分别表示开始和结束是给定描述文字第几个词,所以开始和结束(包括自身)中间的部分就是答案。
代码
#Task: 基于BERT的完形填空和句间关系判断
import math, re, random, torch, time, os, sys
import numpy as np
import torch.nn as nn
import torch.optim as optim
def get_attn_pad_mask(seq_q, seq_k):
'''mask大小和(len_q,len_k)一致,
是为了在点积注意力中,与torch.matmul(Q,K)的大小一致'''
# (seq_q, seq_k): (dec_inputs, enc_inputs)
# dec_inputs:[batch_size, tgt_len] # [1,5]
# enc_inputs:[batch_size, src_len] # [1,6]
batch_size, len_q = seq_q.size() # 1,5
batch_size, len_k = seq_k.size() # 1,6
"""Tensor.data.eq(element)
eq即equal,对Tensor中所有元素进行判断,和element相等即为True,否则为False,返回二值矩阵
Examples:
>>> tensor = torch.FloatTensor([[1, 2, 3], [4, 5, 6]])
>>> tensor.data.eq(1)
tensor([[ True, False, False],
[False, False, False]])
"""
# eq(zero) is PAD token
pad_attn_mask = seq_k.data.eq(0).unsqueeze(1) # 升维 enc: [1,6] -> [1,1,6]
# 矩阵扩充: enc: pad_attn_mask: [1,1,6] -> [1,5,6]
return pad_attn_mask.expand(batch_size, len_q, len_k) # batch_size, len_q, len_k
'''Attention = Softmax(Q * K^T) * V '''
def Scaled_Dot_Product_Attention(Q, K, V, attn_mask):
# Q_s: [batch_size, n_heads, len_q, d_k] # [1,8,5,64]
# K_s: [batch_size, n_heads, len_k, d_k] # [1,8,6,64]
# attn_mask: [batch_size, n_heads, len_q, len_k] # [1,8,5,6]
"""torch.matmul(Q, K)
torch.matmul是tensor的乘法,输入可以是高维的.
当输入是都是二维时,就是普通的矩阵乘法.
当输入有多维时,把多出的一维作为batch提出来,其他部分做矩阵乘法.
Exeamples:
>>> a = torch.ones(3,4)
>>> b = torch.ones(4,2)
>>> torch.matmul(a,b).shape
torch.Size([3,2])
>>> a = torch.ones(5,3,4)
>>> b = torch.ones(4,2)
>>> torch.matmul(a,b).shape
torch.Size([5,3,2])
>>> a = torch.ones(2,5,3)
>>> b = torch.ones(1,3,4)
>>> torch.matmul(a,b).shape
torch.Size([2,5,4])
"""
# [1,8,5,64] * [1,8,64,6] -> [1,8,5,6]
# scores : [batch_size, n_heads, len_q, len_k]
scores = torch.matmul(Q, K.transpose(2,3)) / np.sqrt(d_k) # divided by scale
"""scores.masked_fill_(attn_mask, -1e9)
由于scores和attn_mask维度相同,根据attn_mask中的元素值,把和attn_mask中值为True的元素的
位置相同的scores元素的值赋为-1e9
"""
scores.masked_fill_(attn_mask, -1e9)
# 'P'的scores元素值为-1e9, softmax值即为0
softmax = nn.Softmax(dim=-1) # 求行的softmax
attn = softmax(scores) # [1,8,6,6]
# [1,8,6,6] * [1,8,6,64] -> [1,8,6,64]
context = torch.matmul(attn, V) # [1,8,6,64]
return context, attn
class MultiHeadAttention(nn.Module):
# dec_enc_attn(dec_outputs, enc_outputs, enc_outputs, dec_enc_attn_mask)
def __init__(self):
super().__init__()
self.W_Q = nn.Linear(d_model, d_k*n_heads) # (512, 64*8) # d_q必等于d_k
self.W_K = nn.Linear(d_model, d_k*n_heads) # (512, 64*8) # 保持维度不变
self.W_V = nn.Linear(d_model, d_v*n_heads) # (512, 64*8)
self.linear = nn.Linear(n_heads*d_v, d_model)
self.layer_norm = nn.LayerNorm(d_model)
def forward(self, Q, K, V, attn_mask):
# dec_outputs: [batch_size, tgt_len, d_model] # [1,5,512]
# enc_outputs: [batch_size, src_len, d_model] # [1,6,512]
# dec_enc_attn_mask: [batch_size, tgt_len, src_len] # [1,5,6]
# q/k/v: [batch_size, len_q/k/v, d_model]
residual, batch_size = Q, len(Q)
'''用n_heads=8把512拆成64*8,在不改变计算成本的前提下,让各注意力头相互独立,更有利于学习到不同的特征'''
# Q_s: [batch_size, len_q, n_heads, d_q] # [1,5,8,64]
# new_Q_s: [batch_size, n_heads, len_q, d_q] # [1,8,5,64]
Q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2)
# K_s: [batch_size, n_heads, len_k, d_k] # [1,8,6,64]
K_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2)
# V_s: [batch_size, n_heads, len_k, d_v] # [1,8,6,64]
V_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2)
# attn_mask : [1,5,6] -> [1,1,5,6] -> [1,8,5,6]
# attn_mask : [batch_size, n_heads, len_q, len_k]
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
# context: [batch_size, n_heads, len_q, d_v]
# attn: [batch_size, n_heads, len_q(=len_k), len_k(=len_q)]
# context: [1,8,5,64] attn: [1,8,5,6]
context, attn = Scaled_Dot_Product_Attention(Q_s, K_s, V_s, attn_mask)
"""contiguous() 连续的
contiguous: view只能用在连续(contiguous)的变量上.
如果在view之前用了transpose, permute等,
需要用contiguous()来返回一个contiguous copy
"""
# context: [1,8,5,64] -> [1,5,512]
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v)
# context: [1,5,512] -> [1,5,512]
output = self.linear(context)
"""nn.LayerNorm(output) 样本归一化
和对所有样本的某一特征进行归一化的BatchNorm不同,
LayerNorm是对每个样本进行归一化,而不是一个特征
Tips:
归一化Normalization和Standardization标准化区别:
Normalization(X[i]) = (X[i] - np.min(X)) / (np.max(X) - np.min(X))
Standardization(X[i]) = (X[i] - np.mean(X)) / np.var(X)
"""
output = self.layer_norm(output + residual)
return output, attn
class Position_wise_Feed_Forward_Networks(nn.Module):
def __init__(self):
super().__init__()
'''输出层相当于1*1卷积层,也就是全连接层'''
"""nn.Conv1d
in_channels应该理解为嵌入向量维度,out_channels才是卷积核的个数(厚度)
"""
# 512 -> 2048
self.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1)
# 2048 -> 512
self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1)
self.layer_norm = nn.LayerNorm(d_model)
def forward(self, inputs):
# enc_outputs: [batch_size, source_len, d_model] # [1,6,512]
residual = inputs
relu = nn.ReLU()
# output: 512 -> 2048 [1,2048,6]
output = relu(self.conv1(inputs.transpose(1, 2)))
# output: 2048 -> 512 [1,6,512]
output = self.conv2(output).transpose(1, 2)
return self.layer_norm(output + residual)
class EncoderLayer(nn.Module):
def __init__(self):
super(EncoderLayer, self).__init__()
self.enc_attn = MultiHeadAttention()
self.pos_ffn = Position_wise_Feed_Forward_Networks()
def forward(self, enc_outputs, enc_attn_mask):
# enc_attn_mask: [1,6,6]
# enc_outputs to same Q,K,V
# enc_outputs: [batch_size, source_len, d_model] # [1, 6, 512]
enc_outputs, attn = self.enc_attn(enc_outputs, \
enc_outputs, enc_outputs, enc_attn_mask)
# enc_outputs: [batch_size , len_q , d_model]
enc_outputs = self.pos_ffn(enc_outputs)
return enc_outputs, attn
"""*********以上为Transformer架构代码*******************"""
'''1.数据预处理'''
def pre_process(text):
# sentences 共有6个样本句子
# 去除字符
sentences = re.sub("[.,!?\\-]", '', text.lower()).split('\n') # filter '.', ',', '?', '!'
word_sequence = " ".join(sentences).split()
word_list = []
'''
如果用list(set(word_sequence))来去重,得到的将是一个随机顺序的列表(因为set无序),
这样得到的字典不同,保存的上一次训练的模型很有可能在这一次不能用
(比如上一次的模型预测碰见i:0,love:1,就输出you:2,但这次模型you在字典3号位置,也就无法输出正确结果)
'''
for word in word_sequence:
if word not in word_list:
word_list.append(word)
word_dict = {'[PAD]': 0, '[CLS]': 1, '[SEP]': 2, '[MASK]': 3}
# word_dict前4个均为特殊字符
for i, w in enumerate(word_list):
word_dict[w] = i + 4
number_dict = {i:w for i,w in enumerate(word_dict)}
vocab_size = len(word_dict)
# 二维列表
sentences_list = []
for sentence in sentences:
arr = [word_dict[s] for s in sentence.split()]
sentences_list.append(arr) # 用序号token来替代单词
print(word_dict)
return sentences, word_list, word_dict, number_dict, vocab_size, sentences_list
'''论文所用激活函数,在BERT中优于RELU'''
def gelu(x):
"Implementation of the gelu activate_ation function by Hugging Face"
# erf(x):计算x的误差函数,
return x * 0.5 * (1.0 + torch.erf(x / math.sqrt(2.0)))
'''根据句子数据,构建词元的输入向量'''
def make_batch():
batch = []
positive = negative = 0
a_b = []
'''由于随机选取句子,所以可能依照pt文件中已训练的模型也误差较大'''
while positive != batch_size/2 or negative != batch_size/2:
"""random.randrange(start, stop=None, step=1)
在(start, stop)范围内随即返回一个数
Args:
start: 指定范围内的开始值,包含在范围内
stop: 指定范围内的结束值,不包含在范围内,若无参数stop则默认范围为0~start
step: 指定递增基数,默认为1
Examples:
>>> random.randrange(1, 100, 2)
67 # 以2递增,只能返回奇数
"""
# 在样本集中随机选取a和b两个句子
sentence_a_index, sentence_b_index = random.randrange(len(sentences)), random.randrange(len(sentences))
# sentence_ab是包含一个句子中所含单词的序号列表
sentence_a, sentence_b = sentences_list[sentence_a_index], sentences_list[sentence_b_index]
if (sentence_a_index, sentence_b_index) not in a_b: # 屏蔽已经选择过的
a_b.append((sentence_a_index, sentence_b_index))
elif len(a_b) < batch_size: # 达到要求的样本值
continue
else:
break
# 加入分类符和分隔符
input_ids = [word_dict['[CLS]']] + sentence_a + [word_dict['[SEP]']] + sentence_b + [word_dict['[SEP]']]
# segment_ids用来标识a和b两个句子
segment_ids = [0] * (1 + len(sentence_a) + 1) + [1] * (len(sentence_b) + 1)
# MASK LM
# 把句子15%单词准备用于mask
# max_words_pred(=5): 最大预测单词数 n_pred: 预测个数
n_pred = int(0.15 * len(input_ids))
n_pred = min(max_words_pred, max(1, n_pred)) # 预测个数不能为0,也不能大于最大预测单词数
# 构建候选词列表(随机打乱后只有前n_pred个会被选择)
# 要屏蔽cls和seq,所以不能用torch.arange(len(input_ids))
candidate_mask_tokens = [i for i, token in enumerate(input_ids) if token != word_dict['[CLS]']
and token != word_dict['[SEP]']] # [1,2,3......](不包含0([CLS])和[SEP])
# 随机打乱candidate_mask_tokens
random.shuffle(candidate_mask_tokens)
# random.shuffle打乱候选表后,直接选择前n_pred个
masked_tokens, masked_pos = [], []
for pos in candidate_mask_tokens[:n_pred]:
# 不管是被mask还是被随机还是不变,都会加入masked列表(masked中的不会被替换,替换的是input_ids)
# 记录原始单词,用于和模型输出比对计算loss
masked_pos.append(pos)
masked_tokens.append(input_ids[pos])
if random.random() < 0.8: # 80% -> MASK
input_ids[pos] = word_dict['[MASK]'] # mask
elif random.random() < 0.5: # 10% -> random
random_index = random.randint(0, vocab_size - 1) # random index in vocabulary
input_ids[pos] = word_dict[number_dict[random_index]] # replace
'''把所有存储单词的变量都填充至最大长度,有利于统一处理.'''
# Zero Paddings
n_pad = max_len - len(input_ids) # max_len: 允许的句子最大长度
input_ids.extend([0] * n_pad) # word_dict['Pad'] = 0
segment_ids.extend([0] * n_pad)
# Zero Padding (100% - 15%) tokens
if max_words_pred > n_pred: # max_words_pred(=5): 最大预测长度
n_pad = max_words_pred - n_pred
masked_tokens.extend([0] * n_pad)
masked_pos.extend([0] * n_pad)
# 判断句间关系
if sentence_a_index + 1 == sentence_b_index and positive < batch_size/2: # 论文要求严格保持50% 50%
batch.append([input_ids, segment_ids, masked_tokens, masked_pos, True]) # IsNext
positive += 1
elif sentence_a_index + 1 != sentence_b_index and negative < batch_size/2: # 论文要求严格保持50% 50%
batch.append([input_ids, segment_ids, masked_tokens, masked_pos, False]) # NotNext
negative += 1
# batch: [6,5]
return batch
'''论文图2所设计的输入encoder的嵌入向量'''
class Embedding(nn.Module):
def __init__(self):
super().__init__()
# vocab_size: len(input_ids)
# vocab_size: 29 max_len: 30 n_segments: 2
self.tok_embed = nn.Embedding(vocab_size, d_model) # token embedding
self.pos_embed = nn.Embedding(max_len, d_model) # position embedding
self.seg_embed = nn.Embedding(n_segments, d_model) # segment(token type) embedding
self.norm = nn.LayerNorm(d_model) # 对每个样本的特征归一化
def forward(self, x, seg): # embedding(input_ids, segment_ids) # [6,30] [6,30]
seq_len = x.size(1) # 30
# torch.arange(n): 生成0~n-1的一维张量,默认类型为int
# 加入序列信息,不用transformer的positional encoding
pos = torch.arange(seq_len, dtype=torch.long).to(device) # [0,1,2,3...seq-1]
'''
expand_as/expand拓展后,每一个(1,seq_len)都是同步变化的,不能单独修改某一个
单独修改某一个只能用repeat(重复倍数)
'''
pos = pos.unsqueeze(0).expand_as(x) # (seq_len,) -> (batch_size, seq_len) [6,30]
'''
虽然tok_embed是(29,768),但embedding首参数是指单词类别,x虽然长度=30>29,
但是单词总类别依然肯定不大于29,所以tok_embed可以作为x的嵌入矩阵
seg_embed同理
'''
# [6,30,768], [6,30,768], [6,30,768], [6,30,768]
'''论文图2, Embedding: input = word + position + segment'''
embedding = self.tok_embed(x) + self.pos_embed(pos) + self.seg_embed(seg)
return self.norm(embedding)
'''2.构建模型'''
class BERT(nn.Module):
def __init__(self):
super().__init__()
self.embedding = Embedding()
self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])
self.fc = nn.Linear(d_model, d_model)
self.norm = nn.LayerNorm(d_model)
self.classifier = nn.Linear(d_model, 2)
self.activate_1 = gelu
self.activate_2 = nn.Tanh()
# decoder is shared with embedding layer
token_embed_weight = self.embedding.tok_embed.weight
vocab_size, n_dim = token_embed_weight.size() # 29, 768
self.decoder = nn.Linear(n_dim, vocab_size, bias=False)
self.decoder.weight = token_embed_weight
self.decoder_bias = nn.Parameter(torch.zeros(vocab_size))
def forward(self, input_ids, segment_ids, masked_pos):
# 按照论文图2构建输入encoder的嵌入矩阵, Embedding: input = word + position + segment
output = self.embedding(input_ids, segment_ids).to(device)
# padding mask, 使其在softmax中为0而不影响注意力机制
enc_self_attn_mask = get_attn_pad_mask(input_ids, input_ids)
for layer in self.layers:
# output : [batch_size, max_len, d_model] [6,30,768]
# attn : [batch_size, n_heads, d_mode, d_model]
output, enc_self_attn = layer(output, enc_self_attn_mask)
'''Task1'''
# masked_pos -> [batch_size, max_words_pred, d_model] [6,5,768]
# [:, :, None]在第三个维度增加一维 masked_pos: [6,5] -> [6,5,768]
masked_pos = masked_pos[:, :, None].expand(-1, -1, output.size(-1)) # expand(-1)表示不变
# 从最终输出output中提取mask信息
"""torch.gather() 收集输入的特定维度指定位置的数值
Args:
input(tensor): 待操作数.不妨设其维度为(x1, x2, ···, xn)
dim(int): 待操作的维度
index(LongTensor): 如何对input进行操作
"""
# predict_masked: [batch_size, max_words_pred, d_model] # [6,5,768]
# output:[6,30,768] -> predict_masked:[6,5,768]
predict_masked = torch.gather(output, 1, masked_pos)
predict_masked = self.norm(self.activate_1(self.fc(predict_masked))) # activate_1: gelu
# (self.decoder:nn.Linear(768,29), self.decoder_bias: nn.Parameter(torch.zeros(29)))
# logits_lm: [batch_size, max_words_pred, vocab_size] [6,5,29]
'''所谓的语言模型就是vocab_size个单词的嵌入矩阵'''
logits_lm = self.decoder(predict_masked) + self.decoder_bias
'''Task2'''
'''只训练第一列? CLS能训练? input是cls,但输出不是'''
# 从第一个CLS值得到结果
# output[:, 0]取output第一列的数据 [6,30,768] -> [6,768]
# h_pooled: [batch_size, d_model] [6,768]
h_pooled = self.activate_2(self.fc(output[:, 0])) # activate_2: Tanh
# 全连接分类 (classifier:768->2)
logits_clsf = self.classifier(h_pooled) # [batch_size, 2]
return logits_lm, logits_clsf
if __name__ == '__main__':
device = ['cuda:0' if torch.cuda.is_available() else 'cpu'][0]
# BERT Parameters
max_len = 30 # 允许的句子最大长度:9+9+1+2=21
batch_size = 10 # batch中的句子对个数,因为positive数最多为5,所以batch_size最大为10 # 必须是偶数, 否则make_batch陷入死循环
max_words_pred = 5 # 最大标记预测长度 21*0.15=3.15
n_layers = 12 # number of Encoder of Encoder Layer
n_heads = 12 # number of heads in Multi-Head Attention
d_model = 768 # Embedding Size
d_ff = 4*d_model # 4*d_model, FeedForward dimension
d_k = d_v = 64 # dimension of K(=Q), V
n_segments = 2 # ab两个句子
text = (
'Hello, how are you? I am Romeo.\n'
'Hello, Romeo My name is Juliet. Nice to meet you.\n'
'Nice meet you too. How are you today?\n'
'Great. My baseball team won the competition.\n'
'Oh Congratulations, Juliet\n'
'Thanks you Romeo'
)
# print(text)
'''1.数据预处理'''
sentences, word_list, word_dict, number_dict, vocab_size, sentences_list = pre_process(text)
batch = make_batch()
'''2.构建模型'''
model = BERT()
model.to(device)
criterion = nn.CrossEntropyLoss()
'''lr如果是0.001,将会很快陷入局部收敛!'''
optimizer = optim.AdamW(model.parameters(), lr=0.0001) # AdamW: 论文采用的Adam扩展版本
if os.path.exists('model_param.pt') == True:
# 加载模型参数到模型结构
model.load_state_dict(torch.load('model_param.pt', map_location=device))
"""map(function, iterable, ...)
map()会根据提供的函数对指定序列做映射。第一个参数function以参数序列中的每一个元素调用function函数,
返回包含每次function函数返回值的新列表。
Args:
function: 函数
iterable: 一个或多个序列
"""
"""zip([iterable, ...])
用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的列表.
Examples
>>> a = [1,2,3]
>>> b = [4,5,6]
>>> list(zip([a,b]))
[(1, 4), (2, 5), (3, 6)]
>>> c = [a,b] # [[1,2,3],[4,5,6]]
>>> list(zip(*c))
[(1, 4), (2, 5), (3, 6)]
>>> list(zip(c))
[([1, 2, 3],), ([4, 5, 6],)]
"""
# 因为batch二维,所以要用*,不然zip会把batch里的每个样本整体当作一个迭代对象返回一个元组
# map(torch.LongTensor, zip(*batch))相当于torch.LongTensor(input_ids)......
# batch: [6,5]
input_ids, segment_ids, masked_tokens, masked_pos, isNext = map(torch.LongTensor, zip(*batch))
input_ids, segment_ids, masked_tokens, masked_pos, isNext = \
input_ids.to(device), segment_ids.to(device), masked_tokens.to(device), masked_pos.to(device), isNext.to(device)
# print(masked_tokens.shape, isNext.shape) [6,5] [6,]
'''3.训练'''
print('{}\nTrain\n{}'.format('*'*30, '*'*30))
loss_record = []
for epoch in range(1000):
optimizer.zero_grad()
logits_lm, logits_clsf = model(input_ids, segment_ids, masked_pos)
# Task1: 对比完形填空准确率
# logits_lm:[6,5,29]->[6,29,5] masked_tokens:[6,5]
"""nn.CrossEntropyLoss()(input,target)
如果target是一维,则只要求input.size(0)=target.size
如果是多维,那么要求input.size(0)=target.size(0)且input.size(-1)=target.size(-1)
"""
loss_lm = criterion(logits_lm.transpose(1, 2), masked_tokens)
# Task2: 对比句间关系分类准确率
# logits_clsf:[6,2] isNext:[6,]
loss_clsf = criterion(logits_clsf, isNext)
loss = loss_lm + loss_clsf
loss.backward()
optimizer.step()
if loss >= 0.01: # 连续30轮loss小于0.01则提前结束训练
loss_record = []
else:
loss_record.append(loss.item())
if len(loss_record) == 30:
torch.save(model.state_dict(), 'model_param.pt')
break
if (epoch + 1) % 10 == 0:
print('Epoch:', '%04d' % (epoch + 1), 'Loss = {:.6f}'.format(loss))
if(epoch + 1) % 100 ==0:
torch.save(model.state_dict(), 'model_param.pt')
'''4.测试'''
print('{}\nTest\n{}'.format('*'*30, '*'*30))
print('text:\n%s'%text)
for i in range(len(batch)): # 遍历每个句子对
print('*'*30)
# Predict mask tokens ans isNext
input_ids, segment_ids, masked_tokens, masked_pos, isNext = map(torch.LongTensor, zip(batch[i]))
input_ids, segment_ids, masked_tokens, masked_pos, isNext = \
input_ids.to(device), segment_ids.to(device), masked_tokens.to(device), masked_pos.to(device), isNext.to(device)
# 输出input_ids # w.item() != 0 不是'PAD'
print('input_ids :', [number_dict[w.item()] for w in input_ids[0] if w.item() != 0])
logits_lm, logits_clsf = model(input_ids, segment_ids, masked_pos)
logits_lm, logits_clsf = logits_lm.to('cpu'), logits_clsf.to('cpu')
# Task1
logits_lm = logits_lm.data.max(2)[1][0].data.numpy()
print('real masked tokens list :', \
[(pos.item(), number_dict[pos.item()]) for pos in masked_tokens[0] if pos.item() != 0]) # 不是PAD
print('predict masked tokens list :', \
[(pos, number_dict[pos]) for pos in logits_lm if pos != 0]) # 不是PAD
# Task2
logits_clsf = logits_clsf.data.max(1)[1].data.numpy()[0]
print('Real isNext :', bool(isNext))
print('predict isNext :', bool(logits_clsf))
结尾
显然BERT模型的应用范围不止于此,并且BERT模型也只是一个新的开端。
在BERT模型发布以后,很多类似BERT的模型不断被推出,不断刷新着NLP任务的新纪录,NLP领域也因此迎来了新一轮的快速发展。
ELMo双向编码上下文,但使用特定于任务(task-specifific)的架构;而GPT是与任务无关的(task-agnostic ),但从左到右编码上下文。BERT可以对上下文进行双向编码,并需要对广泛的自然语言处理任务进行最小的架构更改。使用预先训练的Transformer encoder,BERT能够基于其双向上下文表示任何词元。在下游任务的监督学习过程中,BERT与GPT在两个方面相似。首先,BERT表示将被输入到一个添加的输出层中,根据任务的性质对模型体系结构进行最小的更改,例如对每个词元的预测和对整个序列的预测。其次,对预训练后的Transformer encoder的所有参数都进行了微调,而额外的输出层将从头开始进行训练。这种 A + B (把两个最好的结合起来)的思想值得借鉴。
参考链接及论文
[1]https://blog.csdn.net/weixin_46803857/article/details/129008322
[2]BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding