Google官网Bert模型加载方式

1、在C:\Users\admin\convert_bert_original_tf_checkpoint_to_pytorch.py里修改Bert模型的各配置文件的地址
2、在命令行输入
python convert_bert_original_tf_checkpoint_to_pytorch.py --tf_checkpoint_path bert_model.ckpt.index --bert_config_file bert_config.json  --pytorch_dump_path  pytorch_model.bin

或
直接在命令行输入，记得修改该命令中的地址
python convert_bert_original_tf_checkpoint_to_pytorch.py --tf_checkpoint_path="C:\Users\admin\uncased_L-8_H-512_A-8\bert_model.ckpt.data-00000-of-00001" --bert_config_file="C:\Users\admin\uncased_L-8_H-512_A-8\bert_config.json" --pytorch_dump_path="C:\Users\admin\uncased_L-8_H-512_A-8\pytorch_model.bin"

失败告终，总是会有报错，Google一开始这个模型就不是以pytorch形式发布的。。。。。。。
好像有不是真的没有成功，虽然会有提示说缺少了一些参数，但有人说“这不是一个错误。您需要训练模型，因为该模型没有经过训练的输出标头。如果您不想训练它，您可以寻找具有适合您任务的具有预训练头部的 bert 模型。这是应该发生的事情。在训练后加载模型时，您将不会看到此错误消息。”
还有人说“这是个警告信息，不是报错信息。这只说明对应的加载的预训练模型与任务类型不完全对应。如这个模型的架构是BertForMaskedLM，因此用BERT在别的任务上的model类来调用该预训练模型时，要么出现有些参数用不到的情况（如用于MLM任务的预测头），要么出现有些参数没有、需要随机初始化的情况（如用于分类任务的预测头）。本例由于我只想输出transformer模型的last hidden state，因此用不到警告信息中所说的这些分类参数。”

理论上应该完全匹配（config.json中给出的architectures就是BertForMaskedLM），但是仍会显示有些参数用不到：参考https://github.com/huggingface/transformers/issues/5421#issuecomment-717245807，应该是因为官方的BERT模型有两个预测头（MLM和NSP），所以MLM任务上的模型没有加载NSP的预测头。