转载:BERT模型从训练到部署_xmxoxo的专栏-CSDN博客_bert模型训练
依次执行的命令:
# 执行命令:
# 训练:
python run_mobile.py --task_name=setiment --do_train=true --do_eval=true --data_dir=./dat --vocab_file=./bert/uncased_L-12_H-768_A-12/vocab.txt --bert_config_file=./bert/uncased_L-12_H-768_A-12/bert_config.json --init_checkpoint=./bert/uncased_L-12_H-768_A-12/bert_model.ckpt --max_seq_length=128 --train_batch_size=32 --learning_rate=2e-5 --num_train_epochs=5.0 --output_dir=./model
# 预测
python run_mobile.py --task_name=setiment --do_predict=true --data_dir=./dat --vocab_file=./bert/uncased_L-12_H-768_A-12/vocab.txt --bert_config_file=./bert/uncased_L-12_H-768_A-12/bert_config.json --init_checkpoint=./model/model.ckpt-113 --max_seq_length=128 --output_dir=./model
# 将模型由ckpt保存为pb模型
python freeze_graph.py -bert_model_dir ./bert/uncased_L-12_H-768_A-12 -model_dir ./model -max_seq_len 128 -num_labels 3
# 启动bert服务
bert-base-serving-start -model_dir ./model -bert_model_dir ./bert/uncased_L-12_H-768_A-12 -model_pb_dir ./model -mode CLASS -max_seq_len 128 -http_port 8091 -port 5575 -port_out 5576 -cpu
# 测试接口可用性
curl -X POST http://10.0.0.67:8091/encode -H 'content-type: application/json' -d '{"id": 111,"texts": ["总的来说,这款手机性价比是特别高的。","槽糕的售后服务!!!店大欺客"], "is_tokenized": false}'
# 执行下面语句,启动flask服务
进入mobile_apisvr目录,执行python api_service.py
#在浏览器窗口输入
http://10.0.0.67:8910/ 即可输入语句实时预测