bert中的sep_BERT使用详解(实战)

BERT模型，本质可以把其看做是新的word2Vec。对于现有的任务，只需把BERT的输出看做是word2vec，在其之上建立自己的模型即可了。

1，下载BERT

前4个是英文模型，Multilingual 是多语言模型，最后一个是中文模型(只有字级别的)

其中 Uncased 是字母全部转换成小写，而Cased是保留了大小写。

BERT源码 可以在Tensorflow的GitHub上获取。

2，加载BERT

官方的源码中已经有如何使用BERT的demo。demo中使用了TPUEstimator 封装，感觉不好debug。其实BERT的加载很简单。

直接看代码

import tensorflow as tf

from bert import modeling

import os

# 这里是下载下来的bert配置文件

bert_config = modeling.BertConfig.from_json_file("chinese_L-12_H-768_A-12/bert_config.json")

# 创建bert的输入

input_ids=tf.placeholder (shape=[64,128],dtype=tf.int32,name="input_ids")

input_mask=tf.placeholder (shape=[64,128],dtype=tf.int32,name="input_mask")

segment_ids=tf.placeholder (shape=[64,128],dtype=tf.int32,name="segment_ids")

# 创建bert模型

model = modeling.BertModel(

config=bert_config,

is_training=True,

input_ids=input_ids,

input_mask=input_mask,

token_type_ids=segment_ids,

use_one_hot_embeddings=False # 这里如果使用TPU 设置为True，速度会快些。使用CPU 或GPU 设置为False ，速度会快些。

)

#bert模型参数初始化的地方

init_checkpoint = "chinese_L-12_H-768_A-12/bert_model.ckpt"

use_tpu = False

# 获取模型中所有的训练参数。

tvars = tf.trainable_variables()

# 加载BERT模型

(assignment_map, initialized_variable_names) = modeling.get_assignment_map_from_checkpoint(tvars,

init_checkpoint)

tf.train.init_from_checkpoint(init_checkpoint, assignment_map)

tf.logging.info("**** Trainable Variables ****")

# 打印加载模型的参数

for var in tvars:

init_string = ""

if var.name in initialized_variable_names:

init_string = ", *INIT_FROM_CKPT*"

tf.logging.info(" name = %s, shape = %s%s", var.name, var.shape,

init_string)

with tf.Session() as sess:

sess.run(tf.global_variables_initializer())

上面是按照源码，做了提取。

下面的代码也可以加载模型

import tensorflow as tf

from bert import modeling

import os

pathname = "chinese_L-12_H-768_A-12/bert_model.ckpt" # 模型地址

bert_config = modeling.BertConfig.from_json_file("chinese_L-12_H-768_A-12/bert_config.json")# 配置文件地址。

configsession = tf.ConfigProto()

configsession.gpu_options.allow_growth = True

sess = tf.Session(config=configsession)

input_ids = tf.placeholder(shape=[64, 128], dtype=tf.int32, name="input_ids")

input_mask = tf.placeholder(shape=[64, 128], dtype=tf.int32, name="input_mask")

segment_ids = tf.placeholder(shape=[64, 128], dtype=tf.int32, name="segment_ids")

with sess.as_default():

model = modeling.BertModel(

config=bert_config,

is_training=True,

input_ids=input_ids,

input_mask=input_mask,

token_type_ids=segment_ids,

use_one_hot_embeddings=False)

saver = tf.train.Saver()

sess.run(tf.global_variables_initializer())# 这里尤其注意，先初始化，在加载参数，否者会把bert的参数重新初始化。这里和demo1是有区别的

saver.restore(sess, pathname)

print(1)

这里就很清晰了，就是常用的TensorFlow模型加载方法。

3，使用模型

获取bert模型的输出非常简单，使用 model.get_sequence_output()和model.get_pooled_output() 两个方法。

output_layer = model.get_sequence_output()# 这个获取每个token的output 输出[batch_size, seq_length, embedding_size] 如果做seq2seq 或者ner 用这个

output_layer = model.get_pooled_output() # 这个获取句子的output

那么bert的输入又是什么样子的呢？ 看下面代码

def convert_single_example( max_seq_length,

tokenizer,text_a,text_b=None):

tokens_a = tokenizer.tokenize(text_a)

tokens_b = None

if text_b:

tokens_b = tokenizer.tokenize(text_b)# 这里主要是将中文分字

if tokens_b:

# 如果有第二个句子，那么两个句子的总长度要小于 max_seq_length - 3

# 因为要为句子补上[CLS], [SEP], [SEP]

_truncate_seq_pair(tokens_a, tokens_b, max_seq_length - 3)

else:

# 如果只有一个句子，只用在前后加上[CLS], [SEP] 所以句子长度要小于 max_seq_length - 3

if len(tokens_a) > max_seq_length - 2:

tokens_a = tokens_a[0:(max_seq_length - 2)]

# 转换成bert的输入，注意下面的type_ids 在源码中对应的是 segment_ids

# (a) 两个句子:

# tokens: [CLS] is this jack ##son ##ville ? [SEP] no it is not . [SEP]

# type_ids: 0 0 0 0 0 0 0 0 1 1 1 1 1 1

# (b) 单个句子:

# tokens: [CLS] the dog is hairy . [SEP]

# type_ids: 0 0 0 0 0 0 0

#

# 这里 "type_ids" 主要用于区分第一个第二个句子。

# 第一个句子为0，第二个句子是1。在预训练的时候会添加到单词的的向量中，但这个不是必须的

# 因为[SEP] 已经区分了第一个句子和第二个句子。但type_ids 会让学习变的简单

tokens = []

segment_ids = []

tokens.append("[CLS]")

segment_ids.append(0)

for token in tokens_a:

tokens.append(token)

segment_ids.append(0)

tokens.append("[SEP]")

segment_ids.append(0)

if tokens_b:

for token in tokens_b:

tokens.append(token)

segment_ids.append(1)

tokens.append("[SEP]")

segment_ids.append(1)

input_ids = tokenizer.convert_tokens_to_ids(tokens)# 将中文转换成ids

# 创建mask

input_mask = [1] * len(input_ids)

# 对于输入进行补0

while len(input_ids) < max_seq_length:

input_ids.append(0)

input_mask.append(0)

segment_ids.append(0)

assert len(input_ids) == max_seq_length

assert len(input_mask) == max_seq_length

assert len(segment_ids) == max_seq_length

return input_ids,input_mask,segment_ids # 对应的就是创建bert模型时候的input_ids,input_mask,segment_ids 参数

上面的代码是对单个样本进行转换，代码中的注释解释的很详细了，下面对参数说明下:

max_seq_length ：是每个样本的最大长度，也就是最大单词数。

tokenizer ：是bert源码中提供的模块，其实主要作用就是将句子拆分成字，并且将字映射成id

text_a ： 句子a

text_b ： 句子b

4 值得注意的地方

1，bert模型对输入的句子有一个最大长度，对于中文模型，我看到的是512个字。

2，当我们用model.get_sequence_output()获取每个单词的词向量的时候注意，头尾是[CLS]和[SEP]的向量。做NER或seq2seq的时候需要注意。

3，bert模型对内存的要求还是很高的，运行本文的demo的时候，如果内存不足，可以降低batch_size和max_seq_length来试下。