只要是从事文本处理相关工作的人应该都知道 Google 最新发布的 BERT 模型,该模型属于是词向量的预训练模型,一经提出便横扫各大 NLP 任务,最近 Google 公司如约推出了中文词向量的预训练模型,不得不说这是一件非常有良心的事情,在此膜拜和感谢 Google 公司。
那么如何使用 bert 的中文预训练好的词向量呢?前两天看见 paperweekly 推送的一篇文章,叫做是 两行代码玩转 Google BERT 句向量词向量 ,文章提出的方法是将 bert-as-service 作为公共基础设施的一部分,部署在一台 GPU 服务器上,使用多台机器从远程同时连接实时获取向量,当做特征信息输入到下游模型。
我在此就结合自己的情况梳理步骤如下:
环境
Ubuntu 16.04
Python 3.6
Tensorflow >= 1.10
尤其要注意 TensorFlow 的版本,如果版本过低,程序则会报错,这种情况下可以直接通过 pip 对包进行升级,命令如下:
pip install --upgrade tensorflow
最开始我就一直卡在了 TensorFlow 的版本过低的问题上了,运行程序一直报错,但是我都没有仔细去看一眼 readme 。真的是不得不把夏朝同学说的那句话引用至此了。
记住,花几个小时各种试,能帮你省下看README的几分钟时间。 via:I Am Developer
使用
首先,下载 Google 发布的预训练 BERT 中文词向量模型,下载链接如下:
https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
然后,运行如下命令,将 bert-as-service
的源代码下载至服务器端:
git clone https://github.com/hanxiao/bert-as-service.git
在 bert-as-service 文件夹中开启 BERT 服务
python app.py -model_dir 模型路径 -num_worker=2
num_worker
是指的开启的服务进程数量,此处的 2 就表示是服务器端最高可以处理来自 2 个客户端的并发请求。但是这并不意味着同一时刻只有 2 个客户端可以连接服务,连接数量是没有限制的,只是说在同一个时刻超过 2 个的并发请求将会放在负载均衡进行排队,等待执行。
最后,将 service/client.py
文件放在客户端将要运行的文件夹中。
下面这个例子举的是在服务器上直接访问本机的例子
from service.client import BertClient
bc = BertClient()
bc.encode(['你好', '成都'])
如果要在另一台机器上访问装有 bert-as-service 的服务器,则只需输入对应的 IP 和端口即可,如下所示
from service.client import BertClient
bc = BertClient(ip='xx.xx.xx.xx', port=5555) # 端口号默认开启的5555
bc.encode(['你好', '成都'])