本文记录使用BERT预训练模型,修改最顶层softmax层,微调几个epoch,进行文本分类任务。
BERT源码
首先BERT源码来自谷歌官方tensorflow版:https://github.com/google-research/bert
注意,这是tensorflow 1.x 版本的。
BERT预训练模型
预训练模型采用哈工大讯飞联合实验室推出的WWM(Whole Word Masking)全词覆盖预训练模型,主要考量是BERT对于中文模型来说,是按照字符进行切割,但是注意到BERT随机mask掉15%的词,这里是完全随机的,对于中文来说,很有可能一个词的某些字被mask掉了,比如说让我预测这样一句话:
原话: ”我今天早上去打羽毛球了,然后又去蒸了桑拿,感觉身心愉悦“
MASK:”我[MASK]天早上去打[MASK]毛球了,然后[MASK]去蒸了[MASK]拿,感觉身心[MASK]悦“
虽然说从统计学意义上来讲这样做依然可以学得其特征,但这样实际上破坏了中文特有的词结构,那么全词覆盖主要就是针对这个问题,提出一种机制保证在MASK的时候要么整个词都不MASK,要么MASK掉整个词。
WWM MASK:”我今天早上去打[MASK][MASK][MASK]了,然后又去蒸了[MASK][MASK],感觉身心愉悦“
例子可能举得不是很恰当,但大概是这个意思,可以参考这篇文章:
https://www.jiqizhixin.com/articles/2019-06-21-01
修改源码
首先看到下下来的项目结构:
![](https://i-blog.csdnimg.cn/blog_migrate/afd7408a43cad84a1b848c96c715d102.png)
可以看到run_classifier.py文件,这个是我们需要用的。另外,chinese开头的文件是我们的模型地址,data文件是我们的数据地址,这个每个人可以自己设置。
在run_classifier.py文件中,有一个基类DataProcessor类,这个是我们需要继承并重写的:
class DataProcessor(object):
"""Base class for data converters for sequence classification data sets."""
def get_train_examples(self, data_dir):
"""Gets a collection of `InputExample`s for the train set."""
raise Not