【BERT-多标签文本分类实战】之五——BERT模型库的挑选与Transformers

·请参考本系列目录：【BERT-多标签文本分类实战】之一——实战项目总览
·下载本实战项目资源：>=点击此处=<

[1] BERT模型库

  从BERT模型一经Google出世，到tensorflow与pytorch版本的BERT相继发布，再到不同下游任务的BERT模型被整合到transformers库，到底pip哪个库才能用BERT对于刚入门的同学来说是非常的不友好。

  其实大部分的人的需求都非常地简单：只想用BERT模型替代原始的嵌入层来得到文本表示。大部分的人更在乎的是如何把bert当作和embedding层一样的黑箱，输入文本，得到文本表征向量。

  这里，本项目使用的是Hugging Face的transformers库，因为它整合的太棒啦！transformers库里面有NLP里面很火的大模型，比如BERT、ALBERT、GPT、GPT2、XLNET等等。本项目只用到了transformers.BERT，其文档地址为：https://huggingface.co/docs/transformers/model_doc/bert。

  本篇文章主要还是以实战为导向，简单说一下transformers.BERT要怎么用。想要深入使用，大家仔细看看上面贴的文档，写得非常好。

[2] transformers.BERT的下载

  其实在自己的模型里使用BERT非常简单，并不会像其他教程一样与transformers库耦合的很深，本次在数据集Reuters-21578上进行多标签文本分类的实战项目，就是在之前单标签文本分类任务上改动的。

单标签文本分类实战项目，请参考：【BERT-多标签文本分类实战】之一——实战项目总览

---

[2.1] 使用BERT前的准备

  使用BERT需要2个前置条件：

  1、安装transformers库；
  2、下载预训练参数文件。

  第一点不必赘述。第二点可说的比较多。首先，为什么要下载预训练参数文件？BERT它是预训练模型，有自己的网络结构，而且里面的参数达到上亿级别，BERT在大规模无监督语料上训练得到最终参数之后，是要把参数保存下来，之后有新的数据集要跑的时候，我们需要把这些参数数据载入到模型。除此之外，光有预训练参数文件不够，还需要一个配置文件，来告诉它模型的很多配置是多少（例如词典有多大、隐藏层维度是几等等）。最后还需要一个txt文件来存放词典。

  总结一下，BERT的预训练参数文件里有3个文件：1）参数数据；2）模型配置信息；3）txt词典。

---

[2.2] 预训练参数文件的挑选与下载

  BERT的参数文件有很多个版本：

  上面框出来的是我比较常用的两个。bert-base-uncased表示不区分大小写的英文模型，bert-base-chinese表示中文模型。

  假设我们要下载bert-base-uncased，我们到页面：https://huggingface.co/bert-base-uncased/tree/main，下载的文件已经在图中框出：

  由于本次实战使用的是pytorch框架，所以最终我们下载下来的文件是：

【注】只下载这三个就够了，其他都可以不下载。

---

[3] transformers.BERT的测试示例

  我们对BERT模型的需求是，利用它来编码句子。在我们的实战项目中，有一个测试.py文件，里面展示了BERT的基本用法。

  把下载下来的参数文件放在项目下，然后写代码开始测试：

import torch
from transformers import BertModel, BertTokenizer

pretrained_path = 'bert-base-uncased'
# 从文件夹中加载bert模型
model = BertModel.from_pretrained(pretrained_path)
# 从bert目录中加载词典
tokenizer = BertTokenizer.from_pretrained(pretrained_path)

# 输出字典的大小
print(f'vocab size :{tokenizer.vocab_size}')
# 把'[PAD]'编码
print(tokenizer.encode('[PAD]'))
# 把'[SEP]'编码
print(tokenizer.encode('[SEP]'))

输出：
vocab size :30522
[101, 0, 102]
[101, 102, 102]

  接下来对英文句子进行词典编码，这里主要是把英文句子，按照词典里面的词序进行转化：

# 把句子编码，默认加入了special tokens了，也就是句子开头加入了[CLS] 句子结尾加入了[SEP]
ids = tokenizer.encode("I love you transport", add_special_tokens=True, padding='max_length', truncation='only_first', max_length=6)
print(ids)

输出：
[101, 1045, 2293, 2017, 3665, 102]

【注】不要凌乱！ 来总结一下到目前为止说了什么：
第一小节介绍了采用transformers库来使用BERT；
第二小节介绍了使用BERT要下载哪些东西；
第三小节给了一段测试代码，其实是让大家自己试试有没有下载成功，能不能把demo运行起来。

---

[4] transformers.BERT的实际使用

  第三小节给的代码只是demo。本节将介绍BERT的实际使用，很简单，只需要一个函数tokenizer.encode_plus，但是在写代码前，大家需要了解为什么要这样做。

---

[4.1] BERT模型的输入格式

  BERT要求我们：

  1、在句子的句首和句尾添加特殊的符号[CLS]和[SEP]
  2、给句子填充 or 截断，使每个句子保持固定的长度
  3、用 attention mask 来显示的区分填充的tokens和非填充的tokens。

  特殊符号:
  [SEP]

  在每个句子的结尾，需要添加特殊的[SEP]符号。

  在以输入为两个句子的任务中（例如：句子 A 中的问题的答案是否可以在句子 B 中找到），该符号为这两个句子的分隔符。

  目前为止还不清楚为什么要在单句中加入该符号，但既然这样要求我们就这么做吧。

  [CLS]

  在分类任务中，我们需要将[CLS]符号插入到每个句子的开头。

  这个符号有特殊的意义，BERT 包含 12 个 Transformer 层，每层接受一组 token 的 embeddings 列表作为输入，并产生相同数目的 embeddings 作为输出（当然，它们的值是不同的）。

  句长 & 注意力掩码（Attention Mask）

  很明显，数据集中句子长度的取值范围很大，BERT该如何处理这个问题呢？

  BERT有两个限制条件：

  1、所有句子必须被填充或截断到固定的长度，句子最大的长度为512个tokens。
  2、填充句子要使用[PAD]符号，它在BERT词典中的下标为0。

  下图是最大长度为8个tokens的填充说明：

  Attention Mask是一个只有 0 和 1 组成的数组，标记哪些tokens是填充的，哪些不是的。掩码会告诉 BERT 中的Self-Attention机制不去处理这些填充的符号。

---

[4.2] BERT模型的最终使用方法

  首先使用tokenizer.encode_plus对文本编码：

from transformers import BertModel, BertTokenizer

# 参数文件地址
pretrained_path = 'bert-base-uncased'
# 加载bert模型
bert = BertModel.from_pretrained(pretrained_path)
# 加载分词器
tokenizer = BertTokenizer.from_pretrained(pretrained_path)

# 对英文文本content进行分词
encoded_dict = config.tokenizer.encode_plus(
                content,  # 输入文本
                add_special_tokens=True,  # 添加 '[CLS]' 和 '[SEP]'
                max_length=pad_size,  # 填充 & 截断长度
                pad_to_max_length=True,
                padding='max_length',
                truncation='only_first',
                return_attention_mask=True,  # 返回 attn. masks.
                return_tensors='pt'  # 返回 pytorch tensors 格式的数据
            )

# 编码后的文本
IDs = torch.squeeze(encoded_dict['input_ids'],0)
# 文本的 attention mask
MASKs = torch.squeeze(encoded_dict['attention_mask'],0)

  函数tokenizer.encode_plus包含以下步骤：

  · 将句子分词为 tokens。
  · 在两端添加特殊符号 [CLS] 和[SEP]。
  · 将 tokens 映射为下标 IDs。
  · 将列表填充或截断为固定的长度。
  · 创建 attention masks，将填充的和非填充 tokens 区分开来。

  更多参数请参考官方文档：https://huggingface.co/docs/transformers/model_doc/bert。

  拿到了编码后的文本、文本的attention mask之后，作为输入放入bert模型里面跑：

out = bert(IDs, attention_mask=MASKs)

【注】这里演示的是基本使用方法，比较独立。真正应用在实战项目里，还是配着整体代码食用更佳。

[5] 进行下一篇实战

  【BERT-多标签文本分类实战】之六——数据加载与模型代码