本文主要讲如何调用transformers这个包来提取一个句子的特征。
Transformers是TensorFlow 2.0和PyTorch的最新自然语言处理库
Transformers(以前称为pytorch-transformers和pytorch-pretrained-bert)提供用于自然语言理解(NLU)和自然语言生成(NLG)的最先进的模型(BERT,GPT-2,RoBERTa,XLM,DistilBert,XLNet,CTRL …) ,拥有超过32种预训练模型,支持100多种语言,并且在TensorFlow 2.0和PyTorch之间具有深厚的互操作性。
Bert
1、安装transformers库
pip install transformers
2、从transformers库中导入Bert的上面所说到的3个类
from transformers import BertModel, BertConfig,BertTokenizer
1、文本处理
用BertTokenizer对输入文本进行处理,从预训练模型中加载tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
如果不想下载,可以先把bert-base-chinese-vocab.txt 下载下来加载进去。
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese-vocab.txt')
输入文本是两个sentence
需要在文本开头加上’[CLS]’,在每个句子后面加上’[SEP]’,这样输入到BertModel中才能被正确识别。
text = "[CLS] 今天天气不错,适合出行。 [SEP] 今天是晴天,可以出去玩。 [SEP]"
tokenized_text = tokenizer.tokenize(text) #用tokenizer对句子分词
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)#词在预训练词表中的索引列表
segments_ids = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
#用来指定哪个是第一个句子,哪个是第二个句子,0的部分代表句子一, 1的部分代表句子二
#转换成PyTorch tensors
tokens_tensor = torch.tensor([indexed_tokens])
segments_tensors = torch.tensor([segments_ids])
tokens_tensor,segments_tensors将作为BertModel的输入。
输入文本是一个sentence
很多时候输入文本是只有一个句子的,上面两个句子的情况只是简单提一下,下面主要是以一个句子为主。同样,先在句子前面加上’[CLS]’,后面加上’[SEP]’。一般神经网络提取文本特征是以batch为单位的,因此还需要用到一个输入input_masks,假设text是一个batch的数据。
texts = ["[CLS] 今天天气不错,适合出行。 [SEP]",
"[CLS] 今天是晴天,可以出去玩。 [SEP]"]
tokens, segments, input_masks = [], [], []
for text in texts:
tokenized_text = tokenizer.tokenize(text) #用tokenizer对句子分词
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)#索引列表
tokens.append(indexed_tokens)
segments.append([0] * len(indexed_tokens))
input_masks.append([1] * len(indexed_tokens))
max_len = max([len(single) for single in tokens]) #最大的句子长度
for j in range(len(tokens)):
padding = [0] * (max_len - len(tokens[j]))
tokens[j] += padding
segments[j] += padding
input_masks[j] += padding
#segments列表全0,因为只有一个句子1,没有句子2
#input_masks列表1的部分代表句子单词,而后面0的部分代表paddig,只是用于保持输入整齐,没有实际意义。
#相当于告诉BertModel不要利用后面0的部分
#转换成PyTorch tensors
tokens_tensor = torch.tensor(tokens)
segments_tensors = torch.tensor(segments)
input_masks_tensors = torch.tensor(input_masks)
tokens_tensor,segments_tensors,input_masks_tensors 将作为BertModel的输入。
2、构建BertModel
在BertModel后面加上一个全连接层,能够调整输出feature的维度。
class BertTextNet(nn.Module):
def __init__(self, code_length): #code_length为fc映射到的维度大小
super(BertTextNet, self).__init__()
modelConfig = BertConfig.from_pretrained('bert-base-chinese-config.json')
self.textExtractor = BertModel.from_pretrained(
'bert-base-chinese-pytorch_model.bin', config=modelConfig)
embedding_dim = self.textExtractor.config.hidden_size
self.fc = nn.Linear(embedding_dim, code_length)
self.tanh = torch.nn.Tanh()
def forward(self, tokens, segments, input_masks):
output=self.textExtractor(tokens, token_type_ids=segments,
attention_mask=input_masks)
text_embeddings = output[0][:, 0, :]
#output[0](batch size, sequence length, model hidden dimension)
features = self.fc(text_embeddings)
features = self.tanh(features)
return features
使用pytorch_transformers本身提供的预训练BertConfig,以及加载预训练模型。
config = BertConfig.from_pretrained('bert-base-chinese')
self.textExtractor = BertModel.from_pretrained('bert-base-chinese', config=modelConfig)
否则还是像上面模型那样加载本地下载的预训练模型。
把输入到BertModel后得到的输出output,一般是使用它的第0维信息。
outputs[0] # The last hidden-state is the first element of the output tuple
其中output[0][:,0,:]
代表下图中的C的输出向量,参考论文Bert
3、完整代码
import torch
from pytorch_transformers import BertModel, BertConfig, BertTokenizer
from torch import nn
# 自己下载模型相关的文件,并指定路径
config_path = 'model/bert/bert_config.json'
model_path = 'model/bert/pytorch_model.bin'
vocab_path = 'model/bert/vocab.txt'
# ——————构造模型——————
class BertTextNet(nn.Module):
def __init__(self,code_length):
super(BertTextNet, self).__init__()
modelConfig = BertConfig.from_pretrained(config_path)
self.textExtractor = BertModel.from_pretrained(
model_path, config=modelConfig)
embedding_dim = self.textExtractor.config.hidden_size
self.fc = nn.Linear(embedding_dim, code_length)
self.tanh = torch.nn.Tanh()
def forward(self, tokens, segments, input_masks):
output = self.textExtractor(tokens, token_type_ids=segments,
attention_mask=input_masks)
text_embeddings = output[0][:, 0, :]
# output[0](batch size, sequence length, model hidden dimension)
features = self.fc(text_embeddings)
features = self.tanh(features)
return features
textNet = BertTextNet(code_length=32)
# ——————输入处理——————
tokenizer = BertTokenizer.from_pretrained(vocab_path)
texts = ["[CLS] 今天天气不错,适合出行。 [SEP]",
"[CLS] 今天是晴天,可以出去玩。 [SEP]"]
tokens, segments, input_masks = [], [], []
for text in texts:
tokenized_text = tokenizer.tokenize(text) # 用tokenizer对句子分词
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text) # 索引列表
tokens.append(indexed_tokens)
segments.append([0] * len(indexed_tokens))
input_masks.append([1] * len(indexed_tokens))
max_len = max([len(single) for single in tokens]) # 最大的句子长度
for j in range(len(tokens)):
padding = [0] * (max_len - len(tokens[j]))
tokens[j] += padding
segments[j] += padding
input_masks[j] += padding
# segments列表全0,因为只有一个句子1,没有句子2
# input_masks列表1的部分代表句子单词,而后面0的部分代表paddig,只是用于保持输入整齐,没有实际意义。
# 相当于告诉BertModel不要利用后面0的部分
# 转换成PyTorch tensors
tokens_tensor = torch.tensor(tokens)
segments_tensors = torch.tensor(segments)
input_masks_tensors = torch.tensor(input_masks)
# ——————提取文本特征——————
text_hashCodes = textNet(tokens_tensor, segments_tensors, input_masks_tensors) # text_hashCodes是一个32-dim文本特征
print(text_hashCodes)