BERT词向量-batch提取

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