关于深度学习:如何微调BERT模型进行文本分类

61次阅读

共计 6584 个字符,预计需要花费 17 分钟才能阅读完成。

什么是 BERT?

BERT(Bidirectional Encoder Representations from Transformers)在各种自然语言解决工作中提供了最前沿的后果在深度学习社区引起了轰动。德夫林等人。2018 年在 Google 应用英文维基百科和 BookCorpus 开发了 BERT,从那时起,相似的架构被批改并用于各种 NLP 应用程序。XL.net 是建设在 BERT 之上的示例之一,它在 20 种不同工作上的体现优于 BERT。在了解基于 BERT 构建的不同模型之前,咱们须要更好地理解 Transformer 和注意力模型。

BERT 的根本技术冲破是应用双向训练的 Transformer 和注意力模型来执行语言建模。与晚期从左到右或双向训练相结合的文本序列的钻研相比,BERT 论文的发现表明,双向训练的语言模型能够更好地了解语言上下文。

BERT 应用注意力机制以及学习单词之间上下文关系的 Transformer。Transformer 由两个独立的局部组成 – 编码器和解码器。编码器读取输出文本,解码器为工作生成预测。与程序读取输出文本的传统定向模型相比,transformer 的编码器一次读取整个单词序列。因为 BERT 的这种非凡构造,它能够用于许多文本分类工作、主题建模、文本摘要和问答。

在本文中,咱们将尝试微调用于文本分类的 BERT 模型,应用 IMDB 电影评论数据集检测电影评论的情绪。

BERT 目前有两种可用的变体:

  • BERT Base:12 层,12 个注意力头,768 个暗藏和 110M 参数
  • BERT Large:24 层,16 个注意力头,1024 暗藏和 340M 参数

以下是 Devlin 等人的 BERT 架构图。

咱们曾经疾速理解了什么是 BERT,上面开始对 BERT 模型进行微调以进行情感剖析。咱们将应用 IMDB 电影评论数据集来实现这项工作。

微调前筹备

首先,咱们须要从 Hugging Face 装置 Transformer 库。

pip install transformers

当初让咱们导入咱们在整个实现过程中须要的所有库。

from transformers import BertTokenizer, TFBertForSequenceClassification
from transformers import InputExample, InputFeatures

import numpy as np
import pandas as pd
import tensorflow as tf
import os
import shutil

咱们须要导入 BERT 的预训练分词器和序列分类器以及输出模块。

model = TFBertForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")

有很多办法能够对文本序列进行向量化,例如应用词袋 (BoW)、TF-IDF、Keras 的 Tokenizers 等。在这个实现中,咱们将应用预训练的“bert-base-uncase”标记器类.

让咱们看看分词器是如何工作的。

example = 'This is a blog post on how to do sentiment analysis with BERT'
tokens = tokenizer.tokenize(example)
token_ids = tokenizer.convert_tokens_to_ids(tokens)
print(tokens)
print(token_ids)

--Output--
['this', 'is', 'a', 'blog', 'post', 'on', 'how', 'to', 'do', 'sentiment', 'analysis', 'with', 'bert']
[2023, 2003, 1037, 9927, 2695, 2006, 2129, 2000, 2079, 15792, 4106, 2007, 14324]

因为 BERT 词汇表的大小固定为 30K 个标记,因而词汇表中不存在的词将示意为子词和字符。分词器查看输出的句子并决定是否将每个单词作为一个残缺的单词保留,将其拆分为子单词或将其合成为个别字符作为补充。通过分词器总是能够将一个单词示意为其组成字符的汇合。

咱们将应用预训练的“bert-base-uncased”模型和序列分类器进行微调。为了更好地了解,让咱们看看模型是如何构建的。

model.summary()

--Output--
Model: "tf_bert_for_sequence_classification"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
bert (TFBertMainLayer)       multiple                  109482240 
_________________________________________________________________
dropout_37 (Dropout)         multiple                  0         
_________________________________________________________________
classifier (Dense)           multiple                  1538      
=================================================================
Total params: 109,483,778
Trainable params: 109,483,778
Non-trainable params: 0

咱们的次要 BERT 模型由一个用于避免适度拟合的 dropout 层和一个用于实现分类工作的密集层组成。

读取数据

dataset = pd.read_csv("IMDB Dataset.csv")
dataset.head()

--Output--
                                             review  | sentiment
0 |One of the other reviewers has mentioned that ... | positive
1 |A wonderful little production. <br /><br />The... | positive
2 |I thought this was a wonderful way to spend ti... | positive
3 |Basically there's a family where a little boy ... | negative
4 |Petter Mattei's"Love in the Time of Money" is... | positive

从下面的输入中能够看出,数据集的情绪应用侧面和负面标签进行了正文。因而,咱们须要将标签更改为数值。

def convert2num(value):
    if value=='positive': 
        return 1
    else: 
        return 0
    
df['sentiment']  =  df['sentiment'].apply(convert2num)
train = df[:45000]
test = df[45000:]

数据预处理

应用 BERT 训练模型时,须要实现一些额定的预处理工作。

增加非凡令牌:

[SEP] – 标记句子的结尾

[CLS] – 为了让 BERT 了解咱们正在做一个分类,咱们在每个句子的结尾增加这个标记

[PAD] – 用于填充的非凡标记

[UNK] – 当分词器无奈了解句子中示意的单词时,咱们将蕴含此标记而不是单词

引入填充 – 等长传递序列

创立注意力掩码 – 1(实在标记)和 0(填充标记)的数组

微调模型

创立输出序列

应用 InputExample 函数,咱们能够将 df 转换为适宜 BERT 模型的对象。为了做到这一点,我将创立两个函数。一个函数将承受训练和测试数据集作为输出并将每一行转换为 InputExample 对象,另一个函数将标记 InputExample 对象。

def convert2inputexamples(train, test, review, sentiment): 
  trainexamples = train.apply(lambda x:InputExample(guid=None, text_a = x[review], 
                         label = x[sentiment]), axis = 1)  validexamples = test.apply(lambda x: InputExample(guid=None, text_a = x[review], 
                         label = x[sentiment]), axis = 1)
  
    return trainexamples, validexamplestrainexamples, validexamples = convert2inputexamples(train,  test, 'review',  'sentiment')

从下面的函数能够看出,它将训练和测试数据集作为输出,并将数据集的每一行转换为 InputExamples。

def convertexamples2tf(examples, tokenizer, max_length=128):
    features = []

    for i in tqdm(examples):
        input_dict = tokenizer.encode_plus(
            i.text_a,
            add_special_tokens=True,    # Add 'CLS' and 'SEP'
            max_length=max_length,    # truncates if len(s) > max_length
            return_token_type_ids=True,
            return_attention_mask=True,
            pad_to_max_length=True, # pads to the right by default # CHECK THIS for pad_to_max_length
            truncation=True
        )

        input_ids, token_type_ids, attention_mask = (input_dict["input_ids"],input_dict["token_type_ids"], input_dict['attention_mask'])
        features.append(InputFeatures( input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids, label=i.label) )

    def generate():
        for f in features:
            yield (
                {
                    "input_ids": f.input_ids,
                    "attention_mask": f.attention_mask,
                    "token_type_ids": f.token_type_ids,
                },
                f.label,
            )

    return tf.data.Dataset.from_generator(
        generate,
        ({"input_ids": tf.int32, "attention_mask": tf.int32, "token_type_ids": tf.int32}, tf.int64),
        (
            {"input_ids": tf.TensorShape([None]),
                "attention_mask": tf.TensorShape([None]),
                "token_type_ids": tf.TensorShape([None]),
            },
            tf.TensorShape([]),
        ),
    )

DATA_COLUMN = 'review'
LABEL_COLUMN = 'sentiment'

下面的函数将转换后的输出 Example 对象作为输出,它将标记化和从新格式化输出以适宜提供给模型。

train_data = convertexamples2tf(list(trainexamples), tokenizer)
train_data = train_data.shuffle(100).batch(32).repeat(2)

validation_data = convertexamples2tf(list(validexamples), tokenizer)
validation_data = validation_data.batch(32)

下面的代码片曾经将转换后的 InputExample 传递给了咱们之前创立的函数。执行此过程最多可能须要 2-3 分钟。

当初咱们的数据集被解决成输出序列,咱们能够应用解决过的数据来提供咱们的模型。

训练微调 BERT 模型

在开始训练模型之前,请确保已启用 GPU 运行时减速。否则,训练模型可能须要一些工夫。

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=3e-5, epsilon=1e-08, clipnorm=1.0),             loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=[tf.keras.metrics.SparseCategoricalAccuracy('accuracy')])
              
model.fit(train_data, epochs=2, validation_data=validation_data)

下面的代码应用 Adam 作为优化器应用 Categorical Cross Entropy 作为损失函数,因为咱们只有两个标签,而且这个函数能够量化两个概率分布之间的差别,并且应用稠密分类准确度计算模型的准确度。

训练实现后,咱们能够持续预测电影评论的情绪。

预测情绪

我创立了一个蕴含两个评论的列表,一个是侧面的,第二个是负面的。

sentences = ['This was a good movie. I would watch it again',                  'I cannot believe I have wasted time on this movie, it is the worst movie I have ever seen']

在咱们将上述句子列表利用到模型中之前,咱们须要应用 BERT Tokenizer 对评论进行标记。在对句子列表进行分词后,咱们输出模型并运行 softmax 来预测情绪。为了确定预测情绪的极性,咱们将应用 argmax 函数将情绪正确分类为“负面”或“侧面”标签。

tokenized_sentences = tokenizer(sentences, max_length=128, padding=True, truncation=True, return_tensors='tf')
outputs = model(tokenized_sentences)                                  
predictions = tf.nn.softmax(outputs[0], axis=-1)
labels = ['Negative','Positive']
label = tf.argmax(predictions, axis=1)
label = label.numpy()
for i in range(len(sentences)):
    print(sentences[i], ":", labels[label[i]])
    
--Output--
This was a good movie. I would watch it again :  Positive
I cannot believe I have wasted time on this movie, it is the worst movie I have ever seen :  Negative

从下面的预测中能够看出,咱们曾经胜利地微调了基于 Transformer 的预训练 BERT 模型来预测电影评论的情绪。

总结

这就是这篇对于应用 IMDB 电影评论数据集微调预训练 BERT 模型以预测给定评论的情绪的文章的全部内容。如果您对其余微调技术有趣味,请参考 Hugging Face 的 BERT 文档。

本文源代码:https://gist.github.com/ravin…

作者:Ashish Kumar Singh

正文完
 0