BERT模型的使用

BERT模型的使用

BERT 的具体介绍，我就略过了，一是网上可以找到很多资料，二是我也只是刚使用了下 BERT，很多细节还不清楚，就不乱说话误导人了。老实说，最开始查资料，找相关工程时，看的头大，不知从何入手。现在总结下我认为的上手BERT的合适流程。

1. 了解 BERT 的本质。简单说，BERT 提供了更好的词向量表示，是一个加强版的 Word2Vec，我们只需要在自己的数据集上针对特定任务再进行 fine-tuning 就可以取得不错的效果。至于BERT是如何训练的，以及内部各个参数的含义，我认为可以之后再研究。
2. 了解 BERT 的输入编码格式。这一块是困扰我最久的地方，因为在针对不同的下游任务时，需要对 BERT 的输入输出部分进行相应的修改，而网上大部分资料却忽略了这个在实际使用 BERT 时非常重要的细节，吐血。
   先看一下加载预训练的 BERT 模型后，输入参数是什么

# 我参考的一个工程是从 pytorch_pretrained_bert 中加载的 BERT 预训练模型。现在更推荐使用 transformers 库
from pytorch_pretrained_bert import BertModel, BertTokenizer
self.bert = BertModel.from_pretrained(config.bert_path)
_, pooled = self.bert(input_ids=token_tensors, token_type_ids=segments_tensor, attention_mask=mask_tensor, output_all_encoded_layers=False)

先忽略output_all_encoded_layers 这个参数，重点关注input_ids, token_type_ids, attention_mask 这三个输入参数，这三个参数需要从输入文本中得到并正确设置，模型才能正确工作。下面介绍这三个参数的含义以及如何设置。
大多数地方只展示了上图中第二条分隔线之上 的内容，而实际在 PyTorch 中使用 BERT 时，第二条分隔线之下的内容才是最重要的。我们需要将文本转化为3种 id tensors:

tensors	含义
tokens_tensor	对应上文的 input_ids，存储每个 token 的索引值，用 tokenizer 转化文本获得。所有任务都需要有这个输入
segments_tensor	对应上文的 token_type_ids，用来识别句子界限。如果是单句子分类任务，默认为全0，可以不用设置该参数；如果是文本蕴含关系等句对任务，则第一个句子对应的位置全0，句子间分隔符 [SEP] 处置为0，第二个句子对应位置全1，句尾分隔符 [SEP] 处置为1， [PAD] 处全置0
mask_tensor	对应上文的 attention_mask，用来界定注意力机制范围。1表示让 BERT 关注该位置，0代表是 [PAD] 不用关注。即 [PAD]处为0，其余位置为1

在实际应用时，给定一段文本，我们只需要得到这段文本对应的3个 tensors，将其传入 BERT 模型即可，这就是 BERT 模型输入端的设置。举个例子

# 单句子任务
sentence = "I am fine."
SEP, PAD, CLS = '[SEP]', '[PAD]', '[CLS]'
pad_size = 20
# 切记为句子补上开头的 [CLS] 及 结尾的 [SEP]，如果有padding操作，则需补上相应长度的 [PAD]
# 格式为 [CLS] + 句子 + [SEP] + [PAD] * N
token = [CLS] + config.tokenizer.tokenize(sentence) + [SEP]
length = len(token)
token += [PAD] * (pad_size - length)
tokens_tensor = config.tokenizer.convert_tokens_to_ids(token)  # 用 tokenizer 转化，传递给 input_ids
segments_tensor = [0] * pad_size  # 单句子任务可以不设置此tensor, token_type_ids 默认为全0，传递给 token_type_ids
mask_tensor = [1] * length + [0] * (pad_size - length) # [PAD] 处全置0，其余位置置1，传递给 attention_mask
# 将以上3个 tensor 作为输入传递给 BERT 模型
_, pooled = self.bert(input_ids=tokens_tensor, token_type_ids=segments_tensor,  attention_mask=mask_tensor, output_all_encoded_layers=False)
# 或者不设置 segments_tensor
_, pooled = self.bert(input_ids=tokens_tensor, attention_mask=mask_tensor, output_all_encoded_layers=False)

# 句子对任务
sentence_A = "I am fine."
sentence_B = "Thank you."
SEP, PAD, CLS = '[SEP]', '[PAD]', '[CLS]'
pad_size = 20
# 切记补上开头的 [CLS], 句子分隔处的 [SEP], 句末 [SEP],如果有padding操作，则需补上相应长度的 [PAD]
# 格式为 [CLS] + 句子A + [SEP] + 句子B + [SEP] + [PAD] * N
token_A = config.tokenizer.tokenize(sentence_A)
token_B = config.tokenizer.tokenize(sentence_B)
len_A, len_B = len(token_A), len(token_B)
token = [CLS] + token_A + [SEP] + token_B + [SEP]
length = len(token)
token += [PAD] * (pad_size - length)
token_sensor = config.tokenizer.convert_tokens_to_ids(token)  # 用 tokenizer 转化，传递给 input_ids
segments_tensor = [0] * (len_A + 2) + [1] * (len_B + 1) + [0] * (pad_size - length)  # 句子对任务需要设置此tensor, 传递给 token_type_ids
mask_tensor = [1] * length + [0] * (pad_size - length) # [PAD] 处全置0，其余位置置1，传递给 attention_mask
# 将以上3个 tensor 作为输入传递给 BERT 模型
_, pooled = self.bert(input_ids=tokens_tensor, token_type_ids=segments_tensor, attention_mask=mask_tensor, output_all_encoded_layers=False)