写在前面
本文主要记录在学习https://blog.csdn.net/qq_37236745/article/details/108845470这篇博客中的bert模型代码时,我所理解的和学到的东西。本文会结合bert模型原理对这篇博客中的代码进行逐行逐句细致的解析,一些实在看不懂的地方会略过,一些错误的地方希望大家指正。建议在往下看之前先看一下这两篇文章:Transformer 模型详解,图解BERT模型:从零开始构建BERT,对Encoder结构有一个基本的认识。
源代码
首先贴上博客中的源代码,其中有我添加的补充注释,如果有兴趣也可以继续往下看更加详细的结合原理的解析。这段代码实现了bert模型的预训练任务,语料是两个人的几句英文对话,方便关注模型本身。建议粘贴到自己的IDE中,跟着我的解析对照着看。
# -*- coding: utf-8 -*-
"""BERT-Torch
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1LVhb99B-YQJ1bGnaWIX-2bgANy78zAAt
"""
'''
code by Tae Hwan Jung(Jeff Jung) @graykode, modify by wmathor
Reference : https://github.com/jadore801120/attention-is-all-you-need-pytorch
https://github.com/JayParks/transformer, https://github.com/dhlee347/pytorchic-bert
'''
import re
import math
import torch
import numpy as np
from random import *
import torch.nn as nn
import torch.optim as optim
import torch.utils.data as Data
text = (
'Hello, how are you? I am Romeo.\n' # R
'Hello, Romeo My name is Juliet. Nice to meet you.\n' # J
'Nice meet you too. How are you today?\n' # R
'Great. My baseball team won the competition.\n' # J
'Oh Congratulations, Juliet\n' # R
'Thank you Romeo\n' # J
'Where are you going today?\n' # R
'I am going shopping. What about you?\n' # J
'I am going to visit my grandmother. she is not very well' # R
)
# 将每个句子的标点符号去掉,并形成列表
sentences = re.sub("[.,!?\\-]", '', text.lower()).split('\n') # filter '.', ',', '?', '!'
# 将每个句子拆分成多个单词,形成列表
word_list = list(set(" ".join(sentences).split())) # ['hello', 'how', 'are', 'you',...]
word2idx = {'[PAD]' : 0, '[CLS]' : 1, '[SEP]' : 2, '[MASK]' : 3}
# enumerate函数用于将一个列表中的元素形成索引序列,例如:l=['a','b','c'],enumerate(l)=(0,'a'),(1,'b'),(2,'c')
# 将每个词都设置一个索引,和PAD,CLS,SEP,MASK一起形成一个字典,形式为“单词:索引”
for i, w in enumerate(word_list):
word2idx[w] = i + 4
# 与word2idx相反,其形式为“索引:单词”
idx2word = {i: w for i, w in enumerate(word2idx)}
# 词表大小
vocab_size = len(word2idx)
# 获取每个句子中每个词语在词表中的的索引,形成列表
token_list = list()
for sentence in sentences:
arr = [word2idx[s] for s in sentence.split()]
token_list.append(arr)
# BERT Parameters
maxlen = 30 # 表示每个batch中的所有句子都由30个token组成,不够的补PAD
batch_size = 6
max_pred = 5 # max tokens of prediction,最多需要预测多少个词语
n_layers = 6 # 表示encoder layer的数量
n_heads = 12 # 是指Multi-Head-Attention中self-Attention的个数
d_model = 768 # 表示Token Embedding,Segment Embedding、Position Embedding的维度
d_ff = 768*4 # 4*d_model, FeedForward dimension ,表示Encoder layer中全连接层的维度
d_k = d_v = 64 # dimension of K(=Q), V
n_segments = 2 # 表示Decoder input由几句话组成
# 数据预处理部分,需要mask一句话中15%的token,还需要随机拼接两句话
# sample IsNext and NotNext to be same in small batch size
def make_data():
batch = []
positive = negative = 0
while positive != batch_size/2 or negative != batch_size/2:
tokens_a_index, tokens_b_index = randrange(len(sentences)), randrange(len(sentences)) # sample random index in sentences
# 取出这两个句子的单词索引
tokens_a, tokens_b = token_list[tokens_a_index], token_list[tokens_b_index]
# 将随机选取的两个句子的单词索引拼接在一起,而且加入CLS和SEP标记,此时input_ids中每个元素表示单词在词表中的索引
input_ids = [word2idx['[CLS]']] + tokens_a + [word2idx['[SEP]']] + tokens_b + [word2idx['[SEP]']]
# 组成Segment Embedding
segment_ids = [0] * (1 + len(tokens_a) + 1) + [1] * (len(tokens_b) + 1)
# MASK LM
n_pred = min(max_pred, max(1, int(len(input_ids) * 0.15))) # 15 % of tokens in one sentence,确定要mask的单词数量
# 此时cand_maked_pos表示在input_ids中有哪几个位置可以被mask,这个位置是指在此列表中的位置,而不是在词汇表中的索引。
cand_maked_pos = [i for i, token in enumerate(input_ids)
if token != word2idx['[CLS]'] and token != word2idx['[SEP]']] # candidate masked position,选择出可以mask的位置的索引,因为像CLS和SEP这些位置不可以被mask
# shuffle将序列中的元素随机排序,实现随机选取单词来mask
shuffle(cand_maked_pos)
masked_tokens, masked_pos = [], []
for pos in cand_maked_pos[:n_pred]:
# masked_pos 表示要mask的单词在input_ids中的位置,而不是在词表中的索引
masked_pos.append(pos)
# masked_tokens表示要mask的单词在此表中的索引,因为input_ids中存的就是选取的两个句子的单词索引
masked_tokens.append(input_ids[pos])
if random() < 0.8: # 80%
input_ids[pos] = word2idx['[MASK]'] # make mask,进行mask
elif random() > 0.9: # 10%
index = randint(0, vocab_size - 1) # random index in vocabulary,替换为词表中一个随机的单词
while index < 4: # can't involve 'CLS', 'SEP', 'PAD'
index = randint(0, vocab_size - 1)
input_ids[pos] = index # replace
# Zero Paddings,使得一个batch中的句子都是相同长度
n_pad = maxlen - len(input_ids) # 需要补的0的个数
input_ids.extend([0] * n_pad) # extend函数会在列表末尾一次性添加另一个序列的多个值
segment_ids.extend([0] * n_pad)
# Zero Padding (100% - 15%) tokens,补齐mask的序列,保证一个batch中所有句子mask的数量是一样的
if max_pred > n_pred:
n_pad = max_pred - n_pred
masked_tokens.extend([0] * n_pad)
masked_pos.extend([0] * n_pad)
# 正样本,即两个句子是相连的
if tokens_a_index + 1 == tokens_b_index and positive < batch_size/2:
batch.append([input_ids, segment_ids, masked_tokens, masked_pos, True]) # IsNext
positive += 1
# 负样本,而且要保证正负样本的比例是1:1
elif tokens_a_index + 1 != tokens_b_index and negative < batch_size/2:
batch.append([input_ids, segment_ids, masked_tokens, masked_pos, False]) # NotNext
negative += 1
return batch
# Proprecessing Finished
batch = make_data()
# 将batch中的数据分开,input_ids, segment_ids, masked_tokens, masked_pos, isNext分别存到一个单独的集合中
input_ids, segment_ids, masked_tokens, masked_pos, isNext = zip(*batch)
input_ids, segment_ids, masked_tokens, masked_pos, isNext = \
torch.LongTensor(input_ids), torch.LongTensor(segment_ids), torch.LongTensor(masked_tokens),\
torch.LongTensor(masked_pos), torch.LongTensor(isNext)
class MyDataSet(Data.Dataset):
def __init__(self, input_ids, segment_ids, masked_tokens, masked_pos, isNext):
self.input_ids = input_ids
self.segment_ids = segment_ids
self.masked_tokens = masked_tokens
self.masked_pos = masked_pos
self.isNext = isNext
def __len__(self):
return len(self.input_ids)
def __getitem__(self, idx):
return self.input_ids[idx], self.segment_ids[idx], self.masked_tokens[idx], self.masked_pos[idx], self.isNext[idx]
loader = Data.DataLoader(MyDataSet(input_ids, segment_ids, masked_tokens, masked_pos, isNext), batch_size, True)
# 将之前补0的位置mask掉,让其不参与运算
def get_attn_pad_mask(seq_q, seq_k):
# batch_size就是上述定义的6,seq_len即句子长度30
batch_size, seq_len = seq_q.size()
# eq(zero) is PAD token
# seq_q.data.eq(0)可以找出句子中哪些位置是PAD标记法,返回的数据与seq_q的维度相同。然后用unsqueeze来扩充维度
pad_attn_mask = seq_q.data.eq(0).unsqueeze(1) # [batch_size, 1, seq_len]
# 扩充维度后再将其变形为[batch_size, seq_len, seq_len]的维度
return pad_attn_mask.expand(batch_size, seq_len, seq_len) # [batch_size, seq_len, seq_len]
# 激活函数
def gelu(x):
"""
Implementation of the gelu activation function.
For information: OpenAI GPT's gelu is slightly different (and gives slightly different results):
0.5 * x * (1 + torch.tanh(math.sqrt(2 / math.pi) * (x + 0.044715 * torch.pow(x, 3))))
Also see https://arxiv.org/abs/1606.08415
"""
return x * 0.5 * (1.0 + torch.erf(x / math.sqrt(2.0)))
class Embedding(nn.Module):
def __init__(self):
super(Embedding, self).__init__()
# Embedding模块主要有两个参数,第一个是单词本中的单词个数,第二个是输出矩阵的大小
self.tok_embed = nn.Embedding(vocab_size, d_model) # token embedding
self.pos_embed = nn.Embedding(maxlen, d_model) # position embedding
self.seg_embed = nn.Embedding(n_segments, d_model) # segment(token type) embedding
# LayerNorm是一个归一化层
self.norm = nn.LayerNorm(d_model)
def forward(self, x, seg):
# size函数输出矩阵的某个维度
seq_len = x.size(1)
pos = torch.arange(seq_len, dtype=torch.long)
# pos = pos.unsqueeze(0)首先将pos扩充为二维矩阵,然后expand_as将pos扩充为与x维度相同的矩阵
pos = pos.unsqueeze(0).expand_as(x) # [seq_len] -> [batch_size, seq_len]
# 计算最终输入的Embedding,此时的Embedding是的维度为[batch_size,max_len,d_model]
embedding = self.tok_embed(x) + self.pos_embed(pos) + self.seg_embed(seg)
return self.norm(embedding)
# 计算self-Attention的输出
class ScaledDotProductAttention(nn.Module):
def __init__(self):
super(ScaledDotProductAttention, self).__init__()
def forward(self, Q, K, V, attn_mask):
scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k) # scores : [batch_size, n_heads, seq_len, seq_len]
# 在归一化的时候,scores中的0也会有一个值,会影响最终的结果,所以将之前补0的位置替换为一个非常小的负数,不让它影响softmax的结果
scores.masked_fill_(attn_mask, -1e9) # Fills elements of self tensor with value where mask is one.将scores矩阵中attn_mask上值为true所对应的位置填充为-1e9,也就是那些补0的位置
# 这里dim设置为-1,表示对某一维度进行归一化
# self-Attention的输出矩阵,是要对一个单词对其他所有单词的attention系数进行归一化,所以是在同一维度上的。不是同一位置(0),也不是同一列(1),也不是同一行(2),所以dim设置为-1
attn = nn.Softmax(dim=-1)(scores)
# context的维度为:[batch_size,n_head,seq_len,d_k]
context = torch.matmul(attn, V)
return context
class MultiHeadAttention(nn.Module):
def __init__(self):
super(MultiHeadAttention, self).__init__()
# 线性变换矩阵
self.W_Q = nn.Linear(d_model, d_k * n_heads)
self.W_K = nn.Linear(d_model, d_k * n_heads)
self.W_V = nn.Linear(d_model, d_v * n_heads)
def forward(self, Q, K, V, attn_mask):
# seq_len表示句子的长度,即q,k,v的行数是句子中的单词书,列数是我们自己设置d_model
# q: [batch_size, seq_len, d_model], k: [batch_size, seq_len, d_model], v: [batch_size, seq_len, d_model]
residual, batch_size = Q, Q.size(0)
# (B, S, D) -proj-> (B, S, D) -split-> (B, S, H, W) -trans-> (B, H, S, W)
# 多个self-Attention就要生成多维的q,k,v。transpose用于交换矩阵的两个维度
# view函数中的参数-1表示该维度的维数由其他维度来估算得到,也就是说这个维度的维数会由程序自动计算
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2) # q_s: [batch_size, n_heads, seq_len, d_k]
k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2) # k_s: [batch_size, n_heads, seq_len, d_k]
v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2) # v_s: [batch_size, n_heads, seq_len, d_v]
# unsqueeze对数据维度进行扩充
# repeat指在某个维度进行重复,repeat(1,n_heads,1,1)表示在第二个维度上重复n_heads次。使pad_mask保持与q,k,v相同的维度
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1) # attn_mask : [batch_size, n_heads, seq_len, seq_len]
# context: [batch_size, n_heads, seq_len, d_v], attn: [batch_size, n_heads, seq_len, seq_len]
# 计算Multi-Head-Attention的输出,但此时还不是最终输出,还没有将多个self-Attention的输出拼接起来
context = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
# 交换第一维度和第二维度的维数,transpose函数在交换时并不会重新开辟一块内存来存储转换后的数据,而是保持原有数据存放位置不变修改一些行列的对应关系
# 也就是说,经过transpose后,两个矩阵实际共享同一块内存,修改一个矩阵,另一个矩阵的值也会随之变化。
# contiguous函数会将转换后的矩阵,按照其维度来从头开辟一块内存,并原模原样存放该矩阵,不再共享内存
# n_heads * d_v就表示将多个self-Attention的输出矩阵拼接起来
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) # context: [batch_size, seq_len, n_heads, d_v]
# 进行线性变换
output = nn.Linear(n_heads * d_v, d_model)(context)
# 经归一化后生成最终输出,且输出矩阵与输入矩阵的维度是一样的
# output+ residual表示残差连接
return nn.LayerNorm(d_model)(output + residual) # output: [batch_size, seq_len, d_model]
# feedforward是一个两层的全连接层,第一层使用gelu激活函数,第二层不使用激活函数
class PoswiseFeedForwardNet(nn.Module):
def __init__(self):
super(PoswiseFeedForwardNet, self).__init__()
self.fc1 = nn.Linear(d_model, d_ff)
self.fc2 = nn.Linear(d_ff, d_model)
def forward(self, x):
# (batch_size, seq_len, d_model) -> (batch_size, seq_len, d_ff) -> (batch_size, seq_len, d_model)
return self.fc2(gelu(self.fc1(x)))
class EncoderLayer(nn.Module):
def __init__(self):
super(EncoderLayer, self).__init__()
self.enc_self_attn = MultiHeadAttention()
self.pos_ffn = PoswiseFeedForwardNet()
# 每层Encoder都要先经过Multi-Head Attention,再经过feed-forword。而且两者上方都有一个Norm层,用来对每层的激活值进行归一化
def forward(self, enc_inputs, enc_self_attn_mask):
enc_outputs = self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask) # enc_inputs to same Q,K,V
enc_outputs = self.pos_ffn(enc_outputs) # enc_outputs: [batch_size, seq_len, d_model]
return enc_outputs
class BERT(nn.Module):
def __init__(self):
super(BERT, self).__init__()
self.embedding = Embedding()
# 建立6层的Encoder
self.layers = nn.ModuleList([EncoderLayer() for _ in range(n_layers)])
# Sequential是一个有序的容器,神经网络的各种模块在这里面被顺序添加执行
self.fc = nn.Sequential(
nn.Linear(d_model, d_model),
nn.Dropout(0.5),
nn.Tanh(),
)
self.classifier = nn.Linear(d_model, 2)
self.linear = nn.Linear(d_model, d_model)
self.activ2 = gelu
# fc2 is shared with embedding layer
embed_weight = self.embedding.tok_embed.weight
self.fc2 = nn.Linear(d_model, vocab_size, bias=False)
self.fc2.weight = embed_weight
def forward(self, input_ids, segment_ids, masked_pos):
# 得到transformer的输入Embedding
output = self.embedding(input_ids, segment_ids) # [bach_size, seq_len, d_model]
enc_self_attn_mask = get_attn_pad_mask(input_ids, input_ids) # [batch_size, maxlen, maxlen]
for layer in self.layers:
# output: [batch_size, max_len, d_model]
# 前一层Encoder的输出作为后一层Encoder的输入
output = layer(output, enc_self_attn_mask)
# it will be decided by first token(CLS)
# output[: ,0]取出每个句子中CLS的所有attention系数
h_pooled = self.fc(output[:, 0]) # [batch_size, d_model]
# 用第一个位置CLS的output丢进Linear classifier来预测一个class
logits_clsf = self.classifier(h_pooled) # [batch_size, 2] predict isNext
# masked_pos是每句话中要预测的单词的位置,将去扩充到与output相同的维度
masked_pos = masked_pos[:, :, None].expand(-1, -1, d_model) # [batch_size, max_pred, d_model]
# 按照masked_pos的值,抽取出output中对应索引的数据
h_masked = torch.gather(output, 1, masked_pos) # masking position [batch_size, max_pred, d_model]
h_masked = self.activ2(self.linear(h_masked)) # [batch_size, max_pred, d_model]
logits_lm = self.fc2(h_masked) # [batch_size, max_pred, vocab_size]
return logits_lm, logits_clsf
model = BERT()
# 交叉熵损失函数
criterion = nn.CrossEntropyLoss()
# 定义优化器,将bert的模型参数传入进行优化
optimizer = optim.Adadelta(model.parameters(), lr=0.001)
for epoch in range(50):
for input_ids, segment_ids, masked_tokens, masked_pos, isNext in loader:
logits_lm, logits_clsf = model(input_ids, segment_ids, masked_pos)
loss_lm = criterion(logits_lm.view(-1, vocab_size), masked_tokens.view(-1)) # for masked LM
# mean表示求平均值
loss_lm = (loss_lm.float()).mean()
loss_clsf = criterion(logits_clsf, isNext) # for sentence classification
loss = loss_lm + loss_clsf
if (epoch + 1) % 5 == 0:
print('Epoch:', '%04d' % (epoch + 1), 'loss =', '{:.6f}'.format(loss))
# 清空梯度
optimizer.zero_grad()
# 计算反向传播
loss.backward()
optimizer.step()
# Predict mask tokens ans isNext
input_ids, segment_ids, masked_tokens, masked_pos, isNext = batch[1]
print(text)
print('================================')
print([idx2word[w] for w in input_ids if idx2word[w] != '[PAD]'])
logits_lm, logits_clsf = model(torch.LongTensor([input_ids]),
torch.LongTensor([segment_ids]), torch.LongTensor([masked_pos]))
logits_lm = logits_lm.data.max(2)[1][0].data.numpy()
print('masked tokens list : ',[pos for pos in masked_tokens if pos != 0])
print('predict masked tokens list : ',[pos for pos in logits_lm if pos != 0])
logits_clsf = logits_clsf.data.max(1)[1].data.numpy()[0]
print('isNext : ', True if isNext else False)
print('predict isNext : ',True if logits_clsf else False)
代码解析
Bert模型是以Transformer模型中Encoder部分为基础的,我在刚开始阅读代码的过程中,一直对照着这两篇文章(Transformer 模型详解,图解BERT模型:从零开始构建BERT)中给出的Transformer结构解析进行代码的梳理,以下的分析也会借助这篇博客中的内容。
首先从程序的运行流程上对这段代码中关键的点进行解析,解析的顺序可能与代码的编写顺序不一样:
(1)bert模型中重要的参数解释
# BERT Parameters
maxlen = 30 # 表示每个batch中的所有句子都由30个token组成,不够的补PAD
batch_size = 6
max_pred = 5 # max tokens of prediction,最多需要预测多少个词语
n_layers = 6 # 表示encoder layer的数量
n_heads = 12 # 是指Multi-Head-Attention中self-Attention的个数
d_model = 768 # 表示Token Embedding,Segment Embedding、Position Embedding的维度
d_ff = 768*4 # 4*d_model, FeedForward dimension ,表示Encoder layer中全连接层的维度
d_k = d_v = 64 # dimension of K(=Q), V
n_segments = 2 # 表示Decoder input由几句话组成
maxlen:bert的预训练任务包含两部分,一是对随机替换掉的单词进行预测(Masked LM),二是对两句话是否为前后相联的句子进行判断(NextSentence Prediction)。所以bert会将随机的两句话进行拼接,再随机替换掉其中一些单词,而这样形成的单词列表的长度可能不一致,给计算带来麻烦。所以我们要将每个单词列表进行补齐,补齐后的长度统一为maxlen,这样在计算时矩阵的维度就统一了。
batch_size:训练模型时,每次输入的句子个数。
max_pred:预训练任务中有一项为对随机替换掉的单词进行预测,而max_pred为做多要预测多少个单词,也就是说最多要替换掉多少个单词。
n_layers:表示Encoder层的个数,Encoder层在下面进行详解。
n_heads:Encoder层中包含一个Mutil-Head-Attention,这个东西由n_heads个self-Attention组成,self-Attention在下面会有解释。
d_model:Bert模型的输入为Embedding,它是由单词Embedding、位置Embedding、句子Embedding组成,d_model为他们的维度,后面会分别对着三个Embedding进行解释。
d_ff:在Encoder中,包含有一个全连接层,d_ff表示他的维度。
d_k,d_v:在self-Attention中,有三个重要的矩阵Q、K、V,他们其中一个维度为d_k。
n_segments:表示一个input由几句话组成,预训练任务中有一项为对两句话是否为前后相联的句子进行判断,所以这里n_segments为2
(2)make_data函数
这个函数用来对语料进行预处理,生成bert所需要的语料格式,引入了CLS,SEP,MASK,PAD这四个标记。还是要提到bert预训练的任务,一是对随机替换掉的单词进行预测,二是对两句话是否为前后相联的句子进行判断。所以在准备语料数据时,我们要随机替换掉一些单词,并且将随机的两句话拼接起来。这段函数中没有很复杂的模型结构,也没有很复杂的编程技巧,看了注释应该还是容易理解的,但其中有一句比较容易理解错:
cand_maked_pos = [i for i, token in enumerate(input_ids)
if token != word2idx['[CLS]'] and token != word2idx['[SEP]']]
enumerate函数用于将一个可迭代的对象,组合为一个索引序列,也就是将input_ids中的每个元素按照顺序添加一个索引。也就是说,i 表示元素在input_ids中的位置索引,token表示该元素。而且,token表示的不是具体的单词,而是单词在此表中的索引(晕了的同学回顾一下上面的内容)。if token != word2idx['[CLS]'] and token != word2idx['[SEP]'] 这句用来限定要mask的单词不可以是CLS和SEP标记。token表示的是索引,所以要和wordidx['CLS']做比较,而不是直接跟“CLS”做比较。最后,cand_maked_pos保存的是在input_ids列表中哪几个位置可以被替换掉,也就是说,cand_maked_pos中的元素是inputs_ids列表的索引,而不是词表的索引。
最后总结一下函数返回的batch中一条数据的组成形式:
input_ids:将两个随机的句子拼接成一个句子,加入CLS和SEP标记,保存其中每个单词在词表中的索引。
segment_ids:指示每个单词属于哪个句子
masked_tokens:保存了被换走的单词在词表中的索引。
masked_tokens:保存了被换走的单词在input_ids中的索引。
最后一个布尔变量表示input_ids中两个句子是否相连。
(3)get_attn_pad_mask函数:
这个函数主要是将input_ids中补0的位置掩盖掉,让他们不参与后面的运算,加快运算速度。
def get_attn_pad_mask(seq_q):
batch_size, seq_len = seq_q.size()
print(seq_q.data.eq(0).shape)
# 输出(6,30)
print(seq_q.data.eq(0).unsqueeze(1).shape)
# 输出(6,1,30)
pad_attn_mask = seq_q.data.eq(0).unsqueeze(1) # [batch_size, 1, seq_len]
return pad_attn_mask.expand(batch_size, seq_len, seq_len) # [batch_size, seq_len, seq_len]
其中eq函数用来判断一个对象中哪些元素为0;unsqueeze函数用来扩充维度,原来seq_q.data.eq(0)的维度是(6,30),经过unsqueeze(1)之后的维度变成了(6,1,30);expand是用来延长矩阵的,原来维度为(6,1,30)的矩阵变成了(6,30,30)。为什么他的维度要设置为(batch_size,seq_len,seq_len)在下面会有解释。
(4)Embedding类:
这个类用来生成bert模型的输入Embedding,其中包含两个函数,初始化函数__init__()和forword()函数。__init__函数用来生成单词Embedding、位置Embedding、句子Embedding;forward函数相当于__call__函数,可以通过类名来直接调用该函数。
def __init__(self):
super(Embedding, self).__init__()
# Embedding模块主要有两个参数,第一个是单词本中的单词个数,第二个是输出矩阵的大小
self.tok_embed = nn.Embedding(vocab_size, d_model) # token embedding
self.pos_embed = nn.Embedding(maxlen, d_model) # position embedding
self.seg_embed = nn.Embedding(n_segments, d_model) # segment(token type) embedding
# LayerNorm是一个归一化层
self.norm = nn.LayerNorm(d_model)
在初始化函数中,使用到了pytorch中的Embedding模型,模型中有两个重要的参数,第一个要指定语料中的单词个数vocab_size,第二个指定输出的词向量的维度d_model。这个Embedding模型的输出的是一个(vocab_size,d_model)维度的词向量矩阵。而LayerNorm是一个归一化层,也就是将数值映射到[0,1]范围内,加快收敛速度。
def forward(self, x, seg):
seq_len = x.size(1)
pos = torch.arange(seq_len, dtype=torch.long)
pos = pos.unsqueeze(0).expand_as(x) # [seq_len] -> [batch_size, seq_len]
embedding = self.tok_embed(x) + self.pos_embed(pos) + self.seg_embed(seg)
return self.norm(embedding)
x在这里接受的是input_ids,seg接收的是segment_ids。seq_len在这里等于30,arange函数会生成一个从0到29的矩阵;然后unsqueeze将其维度变为(0,30);然后expand_as会复制pos中的内容,的维度扩充到与x相同。将input_ids、pos、segment_ids放入Embedding模型中生成对应的Embedding,最后相加再归一化即生成了要输入到bert中的Embedding。
(5)ScaledDotProductAttention类;
bert模型是以transformer模型为基础的,而transformer模型又是以self-Attention机制为基础的,首先介绍Attention机制。Attention是用来增强目标字与上下文之间的语义联系,将目标字的原始词向量变成增强语义后的词向量,例如单看“鹄”这个目标字,我们很可能连怎么读都不知道,但有了上下文“鸿鹄之志”,就可以获取更多目标字的语义信息。而且,上下文的不同位置对目标字的语义增强效果也是不用的,例如“鸿鹄”肯定比“鹄之”更容易让我们理解语义,这个就是attention机制的思想。
Attention机制主要用到了三个矩阵Query,Key,Value,都是由输入Embedding线性变换得到的。在Attention中,每个词都有他们原始的Value,attention机制将目标字作为Query、其上下文的各个字作为Key。attention机制会计算Query与Key的相似性,然后把计算结果作为权重,加权融合目标字的Value和其他上下文的Value,形成最后的输出。其计算过程如下图所示:
对于输入文本,我们要计算每一个字的语义增强词向量,因此就要将每个字作为Query,融合语料中所有子的Value,得到各个字的attention输出。在这种情况下Q,K,V都是来自于同一语料文本,因此也叫做self-Attention机制,其示意图如下图所示:
回到代码中,这个类要做的就是接收Q,K,V矩阵,并且计算最后的self-Attention输出,其数学计算公式如下图所示:
def forward(self, Q, K, V, attn_mask):
scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k) # scores : [batch_size, n_heads, seq_len, seq_len]
scores.masked_fill_(attn_mask, -1e9)
attn = nn.Softmax(dim=-1)(scores)
context = torch.matmul(attn, V)
return context
matmul函数用来计算两个tensor的乘积,transpose函数用来交换矩阵的两个维度,用来实现K矩阵的转置。masked_fill_函数会将scores矩阵中attn_mask上值为true所对应的位置填充为-1e9,也就是将原先那些补0的位置设置为-1e9。因为在Softmax函数的公式中有一项为,如果传入0的话会输出1,这样会使那些原先我们补0的位置影响最后的计算结果,所以我们将他们设置为一个非常小的常数,消除误差。scores矩阵的维度为(batch_size,n_heads,seq_len,seq_len),在这里(seq_len,seq_len)这两个维度就可以理解为每个词关于其他所有词的融合attention,这样也就解释了上面提到的为什么attn_mask矩阵的维度为(batch_size,seq_len,seq_len)。最后返回的context矩阵的维度为(batch_size,n_heads,seq_len,d_k)。n_heads维度下面再讲。
(6)Multi-Head-Attention类
上面了解了self-Attention的实现过程,为了增加self-Attention的语义多样性,将不同的self-Attention组合在一起就形成了Multi-Head-Attention。例如“南京市长江大桥”,在一种语义场景下,目标字“长”与“市”组合,形成语义“南京市长(zhǎng)”;在另一种语义场景下,目标字“长”与“江”组合,形成语义“长江大桥”。Multi-Head-Attention机制充分考虑了多种语义场景下目标字的语义融合方式,最后形成了从原始输入Embedding到全文增强语义表示的词向量的转换,这也就解释了上面返回的context矩阵中为什么会有一个n_heads维度,就是为了融合了多个self-Attention。如下图所示:
回到代码中,这个类定义了两个函数__init__和forward,初始化函数中定义了Q,K,V矩阵的线性变换模型。forward函数用来计算输出,其中需要注意Q,K,V矩阵的维度变化情况,以Q矩阵为例:
q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2)
首先Q矩阵就是原始的词向量,其维度为(batch_size,seq_len,d_model);经过self.W_Q()线性变换后,其维度不变;view函数只改变数据的排列方式,view函数中参数为-1的那个维度值是由其他维度计算得到的,在这里因为n_heads与d_k相乘就等于d_model,所以计算得到-1所代表的维度仍为seq_len,经此view函数后矩阵维度变换为(batch_size,seq_len,n_heads,d_k);transpose函数可以交换矩阵的维度,经此函数后矩阵维度变换为(batch_size,n_heads,seq_len,d_k)。
attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
attn_mask矩阵为了和上面的scores矩阵进行匹配,也要扩充维度。
context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v)
将Q,K,V矩阵传入到上面的Scale的DotProductAttention类中得到self-Attention的输出,这句代码将n_heads个self-Attention的输出融合在了一起。这句代码涉及不少细节,首先transpose函数的作用是交换矩阵的两个维度,但其交换方式不是重新开辟一块内存来存放变换维度后的矩阵,而是保持原来数据在内存中的存放位置不变,通过修改行、列的对应关系来实现交换维度,变换前后的矩阵共享同一块内存。也就是说,经transpose函数变换后的矩阵,与从头开始原模原样定义的相同维度的矩阵是不一样的。而contiguous函数的作用就是,将经过transpose转换后的矩阵,按照其维度重新开辟一块内存来存放数据,不再共享内存。view函数用来从n_heads这个维度将attention的输出数据融合在一起。
output = nn.Linear(n_heads * d_v, d_model)(context)
return nn.LayerNorm(d_model)(output + residual)
attention的数据融合在一起后,经过一个线性变换形成最后的输出,此时的输出与输入的Q,K,V矩阵的维度相同。最后经过残差连接和归一化后返回。
(7)PoswiseFeedForwardNet类:
feedforward层是Encoder的一个组成部分,对Multi-Head-Attention层输出的语义增强后的词向量进行两次线性变换,增强整个模型的表达能力;也可以认为是一个两层的全连接层,第一层使用激活函数,第二层不使用激活函数,对应的公式如下:
(8)Encoder类:
这个类用来连接Multi-Head-Attention层和FeedForward层,bert模型中第一个Encoder接收的输入是原始输入Embedding,后面的Encoder接收的输入是前一个Encoder的输出,这点可以在下面的BERT类中得到体现。回顾上面的内容,得到Encoder的整体结构如下图所示:
(9)BERT类:
将多个Encoder连接起来,就构成了bert模型,模型最终生成的就是句子中每个词经语义增强后的词向量。模型的结构大致如下图所示:
这个类包含__init__()和forward()两个函数,__init__函数用来初始化模型中的组件,forward函数相当于python中的__call__函数,可以通过类名来直接调用。forward通过多个Encoder层得到了最后的输出的词向量,然后使用词向量来完成两个预训练任务,output[:0]表示取出每个句子的“CLS”标记的词向量,因为经过多层的语义增强,CLS标记的词向量中已经包含了两个句子的全部信息,使用CLS可以更加准确的预测两个句子是否前后联系。forward函数返回的是两个任务的loss指标,用于后面的训练,loss的计算过程还不是很懂,这里就不乱解释了。
结果分析
此次模型训练迭代了50次,由于语料只有两个人的几句对话,随意分析模型的表现也意义不大,但模型确实完成了两项预训练任务,如下图所示,预测到了被替换的词和两句话是否关联。这段代码可以很好地对语料文本进行建模,只需要将代码中的对话文本替换为你的分词后文本即可。
GPU加速
如果想要使用自己的数据集,那么bert训练的时间可能就会很长了,这时候可以使用GPU来加速训练,我在写GPU版本的时候遇到了不少bug,调试bug的过程及最后的代码在这篇里:BERT模型迁移到GPU上的调试经历(pytorch),如果有现成的数据集就可以直接拿来运行了。