通过本文,您将学会如何为特定的自然语言处理任务(如分类、问答等)微调BERT。
1、引言
BERT 是一个强大的预训练语言模型,可以用于多种下游任务,只需进行极小的修改。通过微调 BERT,您可以利用它的大规模知识,并将其适应于您自己的领域和任务。
但 BERT 是什么,为什么它如此重要?如何为不同任务微调 BERT?微调过程中涉及哪些步骤和工具?这些是我们将在本教程中回答的问题。通过本教程,您将能够:
- 理解 BERT 的基础概念、原理及其应用
- 使用 Hugging Face Transformers 库在 Python 中加载和使用预训练的 BERT 模型
- 使用 GLUE 基准数据集对文本分类任务进行 BERT 微调
- 使用 SQuAD 数据集对问答任务进行 BERT 微调
- 对情绪分析、命名实体识别等其他任务进行 BERT 微调
在开始之前,您需要具备一些 Python 和数据分析的基础知识。还需要在您的Python 环境中安装以下包:
2、BERT 是什么以及为什么重要?
BERT 代表双向编码器表示来自 Transformers。它基于 Transformer 架构,该架构使用注意力机制来学习文本中单词间的上下文关系。与仅从左到右或从右到左处理文本的先前模型不同,BERT 能够同时从两个方向处理文本,因此命名为双向。
BERT 为何重要? BERT 之所以重要,是因为它在自然语言处理(NLP)领域代表了一个重大进步,这是计算机科学的一个领域,涉及理解和生成自然语言。BERT 能够在广泛的 NLP 任务上实现最先进的结果,如文本分类、问答、命名实体识别、情绪分析等。BERT还能处理复杂和多样化的文本类型,如对话、非正式或特定领域的文本。
BERT 如何工作? BERT 通过在大量未标记的文本(如维基百科和BooksCorpus)上进行预训练来工作。在预训练阶段,BERT 通过解决两个自监督任务——掩码语言建模和下一句预测——来学习自然语言的通用模式和结构。在掩码语言建模中,BERT 随机遮盖句子中的一些词,并尝试基于周围的上下文来预测它们。在下一句预测中,BERT 接收两个句子作为输入,并尝试预测它们是否连续。
预训练阶段之后,可以通过在预训练模型顶部添加特定任务的层,并在标记的数据集上训练它,来为特定任务微调 BERT。例如,对于文本分类,BERT 可以接收一个句子或段落作为输入,并输出一个标签来指示其类别。对于问答,BERT 可以接收一个问题和一段文字作为输入,并在该段落中输出答案的范围。对于其他任务,可以相应地修改或适配 BERT。
总之,BERT 是一个强大而多功能的模型,可用于多种 NLP 任务,只需极小的修改。通过微调 BERT,您可以利用其大规模的知识,并将其适应于您自己的领域和任务。
3、如何为不同任务微调 BERT
Transformers 库是一个流行且易于使用的 Python 库,为使用各种预训练的自然语言处理模型提供了高级 API。您可以使用 Transformers 库来加载和使用预训练的 BERT 模型,以及为您自己的任务微调它们。
为不同任务微调BERT的一般步骤如下:
- 从 Transformers 库加载预训练的 BERT 模型和分词器
- 加载特定任务的数据集,并使用分词器对其进行预处理
- 创建一个 PyTorch 数据加载器,将数据送入模型中
- 通过在预训练的BERT模型顶部添加一层来定义特定任务的模型
- 定义训练参数和优化器
- 在训练数据上训练模型,并在验证数据上评估模型
- 保存微调后的模型,并将其用于新数据的推理
在接下来的部分中,我们将演示如何为两个特定任务微调 BERT:文本分类和问答。我们将使用 GLUE 基准数据集进行文本分类和 SQuAD 数据集进行问答。这些是用于评估 NLP 模型在各种任务上性能的广泛使用的数据集。您也可以通过遵循相同的步骤并相应地修改代码,为其他任务微调 BERT。
4、微调 BERT 进行文本分类
我们使用 GLUE 基准数据集对文本分类任务进行 BERT 微调。GLUE 基准是九项自然语言理解任务的集合,如情绪分析、自然语言推理、释义检测等。每项任务都包括一对句子和一个标签,指示它们之间的关系。例如,在 SST-2 任务中,标签是正面或负面的,指示句子的情绪。在 MNLI 任务中,标签是蕴含、矛盾或中性的,指示两个句子之间的逻辑关系。
为了对文本分类任务进行 BERT 微调,我们将遵循上一节中概述的步骤。首先,我们将从Transformers 库加载预训练的 BERT 模型和分词器。我们将使用bert-base-uncased模型,这是原始 BERT 模型的一个较小版本,拥有 12 层、768 个隐藏单元和 12 个注意力头。我们还将使用BertTokenizer类,该类可以将输入文本分词成子词,并添加BERT所需的特殊标记,如[CLS]和[SEP]。
接下来,我们将加载特定任务的数据集,并使用分词器对其进行预处理。我们将使用 datasets 库,它提供了一种方便的方法来加载和处理各种 NLP 数据集。我们将使用 load_dataset 函数加载 GLUE 基准数据集,并指定任务名称为 sst2。这将返回一个 DatasetDict 对象,包含数据集的训练、验证和测试分割。每个分割都是一个 Dataset 对象,包含输入文本和标签。
为了预处理数据集,我们将使用 Dataset 对象的 map 方法,该方法允许我们对数据集中的每个示例应用一个函数。我们将定义一个函数,该函数接受一个示例作为输入,并返回一个特征字典。特征是 tokenized 输入 ids、注意力掩码和标签。输入 ids 是输入文本中标记的数字表示。注意力掩码是二进制向量,指示哪些标记是填充的,哪些不是。标签是任务中类别的数字表示。
# 定义一个函数来预处理数据集
def preprocess(example):
# 对输入文本进行分词
tokens = tokenizer(example['sentence'], padding='max_length', truncation=True, max_length=128, return_tensors='pt')
# 返回特征
return {'input_ids': tokens['input_ids'].squeeze(), 'attention_mask': tokens['attention_mask'].squeeze(), 'labels': example['label']}
# 将函数应用于数据集的每个分割
dataset = dataset.map(preprocess)
在预处理数据集之后,我们将创建一个 PyTorch 数据加载器,将数据送入模型中。我们将使用 torch.utils.data 模块的 DataLoader 类,该类可以批量和随机化数据。我们还将使用 torch.utils.data.TensorDataset 类,该类可以将一组张量转换为数据集。我们将为数据集的每个分割创建一个数据加载器,使用 32 的批量大小和 42 的随机种子以实现可重现性。
# 导入PyTorch库
import torch
from torch.utils.data import DataLoader, TensorDataset
# 定义批量大小和随机种子
batch_size = 32
seed = 42
# 为数据集的每个分割创建一个数据加载器
dataloaders = {}
for split in ['train', 'validation', 'test']:
# 将特征转换为张量
input_ids = torch.tensor(dataset[split]['input_ids'])
attention_mask = torch.tensor(dataset[split]['attention_mask'])
labels = torch.tensor(dataset[split]['labels'])
# 创建一个TensorDataset对象
tensor_dataset = TensorDataset(input_ids, attention_mask, labels)
# 创建一个DataLoader对象
dataloader = DataLoader(tensor_dataset, batch_size=batch_size, shuffle=(split=='train'), num_workers=4)
# 在字典中存储数据加载器
dataloaders[split] = dataloader
5、 微调 BERT 进行问答
我们使用 SQuAD 数据集对问答任务进行BERT微调。SQuAD 数据集是基于维基百科文章的问题和答案集合。每个问题都与一个包含答案的段落配对,答案是段落中的一个文本片段。例如,对于问题“土星最大的卫星名字是什么?”和段落“泰坦是土星最大的卫星,也是太阳系中第二大的自然卫星。它是已知唯一拥有稠密大气的卫星,也是太空中除了地球之外唯一已知存在稳定液态表面水体的天体。”,答案是“泰坦”。
为了对问答任务进行 BERT 微调,我们将遵循与前一节相同的步骤,但进行一些修改。首先,我们将从 Transformers 库加载预训练的 BERT 模型和分词器。我们将使用与之前相同的 bert-base-uncased 模型和 BertTokenizer 类。
接下来,我们将使用分词器加载特定任务的数据集并对其进行预处理。我们将再次使用 datasets 库,但这次我们将使用 load_dataset 函数加载 SQuAD 数据集并指定版本为 v2.0。这将返回一个 DatasetDict 对象,包含数据集的训练和验证分割。每个分割都是一个 Dataset 对象,包含问题、段落、答案和一些附加信息。
为了预处理数据集,我们将再次使用 Dataset 对象的 map 方法,但这次我们将定义一个不同的函数来处理问答任务。我们将使用 tokenizer.encode_plus 方法,该方法可以对一对文本进行编码,并返回输入 ids、注意力掩码、标记类型 ids 和偏移量。标记类型 ids 是二进制向量,指示标记属于第一文本还是第二文本。偏移量是元组,指示每个标记在原始文本中的开始和结束位置。我们将使用这些偏移量来在 tokenized 段落中找到答案范围。我们还将处理答案为空或不在段落中的情况,将开始和结束位置设置为-1。
# 定义一个函数来预处理数据集
def preprocess(example):
# 编码问题和段落
encoding = tokenizer.encode_plus(example['question'], example['context'], padding='max_length', truncation=True, max_length=512, return_tensors='pt', return_offsets_mapping=True)
# 获取特征
input_ids = encoding['input_ids'].squeeze()
attention_mask = encoding['attention_mask'].squeeze()
token_type_ids = encoding['token_type_ids'].squeeze()
offsets = encoding['offset_mapping'].squeeze()
# 获取答案
answer = example['answers']
# 初始化开始和结束位置
start_position = -1
end_position = -1
# 如果答案不为空且在段落中
if answer['answer_start'] and answer['text'] and answer['answer_start'][0] < len(example['context']):
# 获取答案的开始和结束字符
start_char = answer['answer_start'][0]
end_char = start_char + len(answer['text'][0])
# 找到答案的开始和结束标记
for i, offset in enumerate(offsets):
# 如果开始字符在标记中
if start_char >= offset[0] and start_char < offset[1]:
# 将开始位置设置为标记索引
start_position = i
# 如果结束字符在标记中
if end_char > offset[0] and end_char <= offset[1]:
# 将结束位置设置为标记索引
end_position = i
# 中断循环
break
# 返回特征和位置
return {'input_ids': input_ids, 'attention_mask': attention_mask, 'token_type_ids': token_type_ids, 'start_position': start_position, 'end_position': end_position}
# 将函数应用于数据集的每个分割
dataset = dataset.map(preprocess)
6、微调 BERT 进行其他任务
我们使用与之前相同的步骤和代码,但根据任务进行一些修改。我们还将使用一些其他数据集和任务的示例,您可以用它们来为您自己的目的微调 BERT。
您可以为以下其他任务微调 BERT:
- 情绪分析: 这是预测文本的情绪或情感的任务,如正面、负面或中性。您可以使用文本分类部分中的相同代码,但使用不同的数据集和标签。例如,您可以使用IMDb数据集,该数据集包含电影评论及其二元情绪标签。您可以使用load_dataset函数并指定名称imdb来加载数据集。
- 命名实体识别: 这是识别和分类文本中的实体(如人物、地点、组织等)的任务。您可以使用问答部分中的相同代码,但需要使用不同的模型和数据集。您需要使用具有标记分类头的模型,如 bert-base-cased。您还需要使用一个数据集,该数据集为每个标记提供实体标签,如 CoNLL-2003 数据集。您可以使用 load_dataset 函数并指定名称 conll2003 来加载数据集。
- 文本摘要: 这是生成长文本的简短而精炼摘要的任务。您可以使用问答部分中的相同代码,但需要使用不同的模型和数据集。您需要使用具有序列到序列头的模型,如 bert-base-uncased。您还需要使用一个数据集,该数据集为每个文本提供摘要,如 CNN/Daily Mai l数据集。您可以使用 load_dataset 函数并指定名称 cnn_dailymail 来加载数据集。
这些只是您可以为其微调 BERT 的其他任务的一些示例。您还可以通过遵循相同的步骤并相应地修改代码,为其他任务(如文本生成、机器翻译、释义检测等)微调 BERT。您还可以使用 datasets 库中提供的其他数据集和任务,或创建您自己的自定义数据集和任务。
总之,BERT 是一个多功能且强大的模型,可以用于多种自然语言处理任务,只需极小的修改。通过微调 BERT,您可以利用其大规模的知识,并将其适应于您自己的领域和任务。
7、总结
在本教程中,您已经学会了如何为特定的自然语言处理任务(如分类、问答等)微调 BERT。您还学会了如何使用 Hugging Face Transformers 库和 datasets 库来加载和使用预训练的 BERT 模型以及各种 NLP 数据集。您还看到了一些如何为其他任务(如情绪分析、命名实体识别、文本摘要等)微调 BERT 的示例。
通过微调 BERT,您可以利用其大规模的知识,并将其适应于您自己的领域和任务。BERT 是一个多功能且强大的模型,可以用于多种 NLP 任务,只需极小的修改。您还可以探索T ransformers 库和 datasets 库中提供的其他预训练模型和任务,或创建您自己的自定义模型和任务。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
![](https://img-blog.csdnimg.cn/img_convert/0dc35641cd2d85e39db6e8cb368fa5cb.png)