BERT词向量-batch提取

最新推荐文章于 2024-01-29 23:08:51 发布

Tyyy`

最新推荐文章于 2024-01-29 23:08:51 发布

阅读量1.1k

点赞数

分类专栏： pytorch

本文链接：https://blog.csdn.net/soulesstitan/article/details/105958237

版权

该博客介绍了一段用于批量提取BERT词向量的代码，代码中进行了小修改并添加了注释。初始模型路径设为'bert-base-uncased'，模型和字典会缓存在特定目录下。提取的词向量基于分词后的第一个词。代码适用于长到短的序列，不支持finetune，若要finetune需扩展nn.Module并调整forward方法。

摘要由CSDN通过智能技术生成

代码来源于网址，做了一点小修改，添加了一点注释。一开始model_path设置为‘bert-base-uncased’,网络模型，字典都会下载在cache/torch/transformer中，之后save保存之后，就可将model_path设置为保存的位置。主要由于标注没有使用wordpiece，因此词由分词之后第一个词的词向量表示。batch从长到短排列，是为了方便之后的rnn结构。
此代码仅仅只能提取bert词向量，无法finetune。如果需要fintune，首先需要继承nn.Module,然后需要在forward中调用extract_features,并把with torch.no_grad去掉。这里的fix embedding只是固定了wordpiece，position embedding 和segment embedding。即输入transformer之前的权重。

import torch
from transformers import *

class Bertvec:
    def __init__(self, model_path, device, fix_embeddings=True):
        self.device = device
        self.model_class = BertModel
        self.tokenizer_class = BertTokenizer
        self.pretrained_weights = model_path
        self.tokenizer = self.tokenizer_class.from_pretrained(self.pretrained_weights)
        self.model = self.model_class.from_pretrained(self.pretrained_weights).to(self.device)
        if fix_embeddings:
            for name, param in self.model.named_parameters():
                if name.startswith('embeddings'):
                    param.requires_grad = False

    def extract_features(self