BERT:BidirectionalEncoderRepresentations fromTransformers代码及数据解读

论文地址

写在前面

由于官网给的是TensorFlow版本的，github也有pytorch版本，但是给出的pytorch的代码是需要根据实际情况进行修改的。

词表文件vocab.txt文件读取的问题

vocab.py代码的class WordVocab(Vocab)类中的def load_vocab(vocab_path)函数为：

def load_vocab(vocab_path):
	with open(vocab_path, 'rb') as f:
		return pickle.load(f)

因为在HuggingFace上下载的词表文件是vocab.txt，这里读取的话会有报错：

_pickle.UnpicklingError: invalid load key, '['

所以需要进行如下修改

@staticmethod
def convert_to_unicode(text):
	if isinstance(text, str):
		return text
	elif isinstance(text, bytes):
		return text.decode("uft-8", "ignore")
	else:
		raise ValueError("不支持的数据类型")

@staticmethod
def load_vocab(vocab):
	vocab = collections.OrderedDict()
	index = 0
	with open(vocab_path, 'rb') as f:
		while True:
			token = conver_to_unicode(f.readline())
			if not token:
				break
			token = token.strip()
			vocab[token] = index
			index += 1
	return WordVocab(vocab)

这里用递归返回，把HuggingFace的词表文件读取到WordVocab中，通过WordVocab.stoi调用，这里的词表顺序不再是vocab.txt中的顺序，会有些许差别。

数据准备

1. vocab.txt

HuggingFace的上下载的词表文件，形如下图：

然后再vocab.py中转换成字典，其中的顺序可能会有些许不同，可以通过如下代码调用这个转换后的字典

vocab = WordVocab("vocab.txt")
print(vocab.stoi)

输出如下：

2. training_dataset

数据处理部分在dataset.py中，实际上的读取为：

class BERTDataset(Dataset):
	def __init__(self, corpus_path, corpus_lines, encoding="uft-8", ...):
		with open(corpus_path, "r", encoding=encoding) as f:
			self.lines = [line[:-1].split("\t") for line in tqdm.tqdm(f, desc="Loading Dataset", total=corpus_lines)]

	def get_corpus_line(self, item):
		return self.lines[item][0], self.lines[item][1]

上面代码中的 def get_corpus_line就是实际上读取代码，这里的item就是DataLoader循环的次数，固定参数，不用管，需要注意的是后面的索引值，这也就意味着：

• 自己的数据必须要有且有两个维度，才能保证self.lines[item][0], self.lines[item][1]
• 如果自己数据有多个维度，一定要考虑问答在哪个维度上

举例子解释：

• 逐维度读取的文本为：“龟甲缚如何打绳结？\t”
• 去掉首位的操作符： “龟甲缚如何打绳结？”
• 在vocab.stoi查询排序值，把[“龟”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”]转换成[20993, 17510, 18361, 14965, 13865, 15804, 18336, 18312]

如何称之为Masked Language Model？

说起来就是一个很简单的事情，就是把读取的文本，进行遮罩！
具体方法为：

    def random_word(self, sentence):
        tokens = sentence.split()
        output_label = []

        for i, token in enumerate(tokens):
            prob = random.random()
            if prob < 0.15:
                # 有15%的概率执行这里
                prob /= 0.15

                # 80% randomly change token to mask token
                # 15%的执行概率中，有80%的概率执行这里，也就是12%的概率执行这里
                if prob < 0.8:
                    # 这里才是核心，就是12%的概率执行这里
                    # 也就是说，有12%的词会被遮罩(mask)，这里就是把词的代号换成了self.vocab.mask_index(就是4)
                    tokens[i] = self.vocab.mask_index

                # 10% randomly change token to random token
                # 15%的执行概率中，有10%的概率执行这里，也就是1.5%的概率执行这里
                elif prob < 0.9:
                    # 也就是有1.5%的词被随机替换成任意值，可能是起始符、终止符 、遮罩符、任意文字等
                    tokens[i] = random.randrange(len(self.vocab))

                # 10% randomly change token to current token
                # 15%的执行概率中，有10%的概率执行这里，也就是1.5%的概率执行这里
                else:
                    # 也就是有1.5%的概率随机抹除这个文字，设置为未知， unknown
                    tokens[i] = self.vocab.stoi.get(token, self.vocab.unk_index)

                output_label.append(self.vocab.stoi.get(token, self.vocab.unk_index))

            else:
                # 有85%的概率执行这里

                # 在vocab.py中把句子中的词转换成了词和排序值对应的字典
                # 这里把token对应的排序值抽出来，如果没有对应的键(词语)，那么就返回self.vocab.unk_index
                tokens[i] = self.vocab.stoi.get(token, self.vocab.unk_index)
                output_label.append(0)

具体效果就是：

• 输入文本为：[“龟”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”] ===> [20993, 17510, 18361, 14965, 13865, 15804, 18336, 18312]
• $12\%$的词汇会被替换成mask: [xxx， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”] [4, 17510, 18361, 14965, 13865, 15804, 18336, 18312]
• $1.5\%$的词汇会被替换成一个词表中的随机词：[“@”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”] ===> [21059, 17510, 18361, 14965, 13865, 15804, 18336, 18312]
• $1.5\%$的词汇会被随机替换成一个未知(未知有自己的索引)[unknown， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”] ===> [1, 17510, 18361, 14965, 13865, 15804, 18336, 18312]
• 在这句话上添加开始和结束符，[sos, “龟”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”, eos] ===> [3, 20993, 17510, 18361, 14965, 13865, 15804, 18336, 18312, 2]

• pad_index = 0
• unk_index = 1
• eos_index = 2
• sos_index = 3
• mask_index = 4

这里有另一个问题了，文档不似图片，尺寸是固定的，这里如何保证NLP的输入是具有固定尺寸的呢？

答案很简单，就是截断和padding，就是太长了我就给他剪短，太短了我就给他补长， 最终得到一个固定长度为seq_len的数字列表。

• seq_len=16
• pad_index = 0
  [sos, “龟”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”, eos] ===> [3, 20993, 17510, 18361, 14965, 13865, 15804, 18336, 18312, 2, 0, 0, 0, 0, 0, 0]

于是，我们就得到了可以直接输入嵌入层的数据[3, 20993, 17510, 18361, 14965, 13865, 15804, 18336, 18312, 2, 0, 0, 0, 0, 0, 0]，其意思就是[sos, “龟”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”, eos]

如何嵌入？

self.token = TokenEmbedding(vocab_size=vocab_size, embed_size=embed_size)
self.position = PositionalEmbedding(d_model=self.token.embedding_dim)
self.segment = SegmentEmbedding(embed_size=self.token.embedding_dim)
x = self.token(sequence) + self.position(sequence) + self.segment(segment_label)

第一个，TokenEmbedding作用就是把$[batch,vocab\_size]$的向量，嵌入成$[batch,vocab\_size,embed\_size]$的嵌入向量，例如：

[“龟”， “甲”， “缚”， “如”， “何”， “打”， “绳”， “结”，“？”] ===> [3, 20993, 17510, 18361, 14965, 13865, 15804, 18336, 18312, 2, 0, 0, 0, 0, 0, 0] ===> $[batch=1,16,embed\_size=512]$
意思就是把上面那16个向量，每个都用512维度的向量进行表示，构成 $batch\times 16\times 512$ 的向量

第二个，PositionalEmbedding位置向量，可以参考
Transformer之位置编码的通俗理解

Bert代码结构？

Bert的核心在上面的红色标题：如何称之为Masked Language Model？，具体的网络结构和代码结构没有难点，就一个12层Transformer，如下图所示

高清下载