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