[LLM] 自然语言处理--- 基于Keras Bert使用（上）

1. bert  ---- keras

keras_bert 是 CyberZHG 封装好了Keras版的Bert，可以直接调用官方发布的预训练权重。

github：GitHub - CyberZHG/keras-bert: Implementation of BERT that could load official pre-trained models for feature extraction and prediction

快速安装：pip install keras-bert 

bert4keras是封装好了Keras版的Bert，可以直接调用官方发布的预训练权重。（支持tf2）

github：GitHub - bojone/bert4keras: keras implement of transformers for humans

快速安装：pip install git+https://www.github.com/bojone/bert4keras.git

2.keras_bert

2.1.Tokenizer

在 keras-bert 里面，使用 Tokenizer 会将文本拆分成字并生成相应的id。

我们需要提供一个字典，字典存放着 token 和 id 的映射。字典里还有 BERT 里特别的 token。

[CLS]，[SEP]，[UNK]等

在下面的示例中，如果文本拆分出来的字在字典不存在，它的 id 会是 5，代表 [UNK]，即 unknown

我们用同样的字典，拆分不存在 字典 中的单词，结果如下，可以看到英语中会直接把不存在字典中的部分直接按字母拆分。

如果输入两句话的例子，encode 函数中 我们可以带上参数 max_len，只看文本拆分出来的 max_len 个字

如果拆分完的字不超过max_len，则用 0 填充

2.2.使用预训练模型

参考地址：keras-bert/demo at master · CyberZHG/keras-bert · GitHub

我们可以使用 load_trained_model_from_checkpoint() 函数使用本地已经下载好的预训练模型，

可以从 BERT 的 github 上获取下载地址

谷歌BERT地址：GitHub - google-research/bert: TensorFlow code and pre-trained models for BERT

中文预训练BERT-wwm：GitHub - ymcui/Chinese-BERT-wwm: Pre-Training with Whole Word Masking for Chinese BERT（中文BERT-wwm系列模型）

下面是使用预训练模型提取输入文本的特征

import os

# 设置预训练模型的路径
pretrained_path = 'chinese_L-12_H-768_A-12'
config_path = os.path.join(pretrained_path, 'bert_config.json')
checkpoint_path = os.path.join(pretrained_path, 'bert_model.ckpt')
vocab_path = os.path.join(pretrained_path, 'vocab.txt')

# 构建字典
# keras_bert 中的 load_vocabulary() 函数 传入 vocab_path 即可
from keras_bert import load_vocabulary
token_dict = load_vocabulary(vocab_path)


# import codecs
# token_dict = {}
# with codecs.open(vocab_path, 'r', 'utf8') as reader:
#     for line in reader:
#         token = line.strip()
#         token_dict[token] = len(token_dict)


# Tokenization
from keras_bert import Tokenizer
tokenizer = Tokenizer(token_dict)


# 加载预训练模型
from keras_bert import load_trained_model_from_checkpoint
model = load_trained_model_from_checkpoint(config_path, checkpoint_path)

text = '语言模型'
tokens = tokenizer.tokenize(text)
# ['[CLS]', '语', '言', '模', '型', '[SEP]']
indices, segments = tokenizer.encode(first=text, max_len=512)
print(indices[:10])
print(segments[:10])

# 提取特征
import numpy as np
predicts = model.predict([np.array([indices]), np.array([segments])])[0]
for i, token in enumerate(tokens):
    print(token, predicts[i].tolist()[:5])

text1 = '语言模型'
text2 = "你好"
tokens1 = tokenizer.tokenize(text1)
print(tokens1)
tokens2 = tokenizer.tokenize(text2)
print(tokens2)

indices_new, segments_new = tokenizer.encode(first=text1, second=text2 ,max_len=512)
print(indices_new[:10])
# [101, 6427, 6241, 3563, 1798, 102, 0, 0, 0, 0]
print(segments_new[:10])
# [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

# 提取特征
import numpy as np
predicts_new = model.predict([np.array([indices_new]), np.array([segments_new])])[0]
for i, token in enumerate(tokens1):
    print(token, predicts_new[i].tolist()[:5])
for i, token in enumerate(tokens2):
    print(token, predicts_new[i].tolist()[:5])

#加载语言模型
model = load_trained_model_from_checkpoint(config_path, checkpoint_path, training=True)

token_dict_rev = {v: k for k, v in token_dict.items()}

token_ids, segment_ids = tokenizer.encode(u'数学是利用符号语言研究数量、结构、变化以及空间等概念的一门学科', max_len=512)
# mask掉“技术”
token_ids[1] = token_ids[2] = tokenizer._token_dict['[MASK]']
masks = np.array([[0, 1, 1] + [0] * (512 - 3)])

# 模型预测被mask掉的部分
predicts = model.predict([np.array([token_ids]), np.array([segment_ids]), masks])[0]
pred_indice = probas[0][1:3].argmax(axis=1).tolist()
print('Fill with: ', list(map(lambda x: token_dict_rev[x], pred_indice)))
# Fill with:  ['数', '学']

3 bert4keras

3.1 函数介绍

keras4bert 是基于 keras-bert 重新编写的一个 keras 版的 bert，

可以适配 albert，只需要在 build_bert_model 函数里加上model='albert'

使用体验和 keras_bert 差不多，下面是 github 提供的使用例子。

SimpleTokenizer是一个简单的分词器，直接将文本分割为单字符序列，专为中文处理设计，原则上只适用于中文模型。

build_bert_model 可用参数如下

• config_path：JSON 配置文件路径
• checkpoint_file：checkponit 文件路径
• with_mlm：是否包含 MLM 部分，默认 False
• with_pool：是否包含 POOL 部分，默认 False
• with_nsp：是否包含 NSP 部分，默认 False
• keep_words：要保留的词ID列表
• model：可以定义为 albert 模型, 默认 bert
• applications:  'encoder': BertModel, 'seq2seq': Bert4Seq2seq, 'lm': Bert4LM  , 默认 encoder

3.2 使用预训练模型

参考地址：https://github.com/bojone/bert4keras/blob/master/examples

我们可以使用 load_trained_model_from_checkpoint() 函数使用本地已经下载好的预训练模型，

可以从 BERT 的 github 上获取下载地址

谷歌BERT地址：GitHub - google-research/bert: TensorFlow code and pre-trained models for BERT

中文预训练BERT-wwm：GitHub - ymcui/Chinese-BERT-wwm: Pre-Training with Whole Word Masking for Chinese BERT（中文BERT-wwm系列模型）

下面是使用预训练模型提取输入文本的特征

import os

# 设置预训练模型的路径
pretrained_path = 'chinese_L-12_H-768_A-12'
config_path = os.path.join(pretrained_path, 'bert_config.json')
checkpoint_path = os.path.join(pretrained_path, 'bert_model.ckpt')
vocab_path = os.path.join(pretrained_path, 'vocab.txt')

from bert4keras.backend import keras, set_gelu
from bert4keras.tokenizer import Tokenizer
from bert4keras.bert import build_bert_model
from bert4keras.optimizers import Adam, extend_with_piecewise_linear_lr
from bert4keras.snippets import sequence_padding, DataGenerator
from keras.layers import *



# import codecs
# token_dict = {}
# with codecs.open(vocab_path, 'r', 'utf8') as reader:
#     for line in reader:
#         token = line.strip()
#         token_dict[token] = len(token_dict)


# 建立分词器
tokenizer = Tokenizer(vocab_path)
# 构建字典
token_dict = tokenizer._token_dict


# 加载预训练模型
model = build_bert_model(config_path=config_path, checkpoint_path=checkpoint_path)

text = '语言模型'
tokens = tokenizer.tokenize(text)
# ['[CLS]', '语', '言', '模', '型', '[SEP]']
indices, segments = tokenizer.encode(text, max_length=512)
print(indices[:10])
print(segments[:10])

# 提取特征
import numpy as np
predicts = model.predict([np.array([indices]), np.array([segments])])[0]
for i, token in enumerate(tokens):
    print(token, predicts[i].tolist()[:5])

text1 = '语言模型'
text2 = "你好"
tokens1 = tokenizer.tokenize(text1)
print(tokens1)
tokens2 = tokenizer.tokenize(text2)
print(tokens2)

indices_new, segments_new = tokenizer.encode(text1, text2 ,max_length=512)
print(indices_new[:10])
# [101, 6427, 6241, 3563, 1798, 102, 0, 0, 0, 0]
print(segments_new[:10])
# [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

# 提取特征
import numpy as np
predicts_new = model.predict([np.array([indices_new]), np.array([segments_new])])[0]
for i, token in enumerate(tokens1):
    print(token, predicts_new[i].tolist()[:5])
for i, token in enumerate(tokens2):
    print(token, predicts_new[i].tolist()[:5])

#加载语言模型
model = build_bert_model(config_path=config_path, checkpoint_path=checkpoint_path, with_mlm=True)


token_ids, segment_ids = tokenizer.encode(u'科学技术是第一生产力')
# mask掉“技术”
token_ids[3] = token_ids[4] = token_dict['[MASK]']

# 用mlm模型预测被mask掉的部分
probas = model.predict([np.array([token_ids]), np.array([segment_ids])])[0]
print(tokenizer.decode(probas[3:5].argmax(axis=1))) # 结果正是“技术”


token_ids, segment_ids = tokenizer.encode(u'数学是利用符号语言研究数量、结构、变化以及空间等概念的一门学科')
# mask掉“技术”
token_ids[1] = token_ids[2] = tokenizer._token_dict['[MASK]']

# 用mlm模型预测被mask掉的部分
probas = model.predict([np.array([token_ids]), np.array([segment_ids])])[0]
print(tokenizer.decode(probas[1:3].argmax(axis=1))) # 结果正是“数学”