作者:Junseong Kim来源:GitHub,机器之心
近期,Google AI 公开了一篇 NLP 论文,介绍了新的语言表征模型BERT,该模型被认为是最强 NLP 预训练模型,刷新了 11 项 NLP 任务的当前最优性能记录。今日,小编发现 GitHub 上出现了 BERT 的 Pytorch 实现,出自 Scatter Lab 的 Junseong Kim。
简介
谷歌 AI 关于 BERT 的论文展示了该模型在多个 NLP 任务上取得的惊艳结果,包括在 SQuAD v1.1 QA 任务上的 F1 得分超过人类。该论文证明,基于 Transformer(自注意力)的编码器可以有力地替代之前以合理方式训练的语言模型。更重要的是,该论文表明这一预训练语言模型可用于任何 NLP 任务,而无需针对任务定制模型架构。
本文主要阐述 BERT 的实现。它的代码非常简单、易懂。一些代码基于《Attention is All You Need》一文中的 annotated Transformer。
该项目目前还在进展阶段。代码尚未得到验证。
语言模型预训练
在这篇论文中,作者展示了语言模型训练的新方法,即「遮蔽语言模型」(masked language model,MLM)和「预测下一句」。
Masked LM
见原论文:3.3.1 Task #1: Masked LM
Input Sequence : The man went to [MASK] store with [MASK] dogTarget Sequence : the his
规则:
基于以下子规则,随机 15% 的输入 token 将被改变:
80% 的 token 是 [MASK] token。
10% 的 token 是 [RANDOM] token(另一个单词)。
10% 的 token 将维持不变,但是需要预测。
预测下一句
见原论文:3.3.2 Task #2: Next Sentence Prediction
Input : [CLS] the man went to the store [SEP] he bought a gallon of milk [SEP]Label : Is NextInput = [CLS] the man heading to the store [SEP] penguin [MASK] are flight ##less birds [SEP]Label = NotNext
「这个句子可以继续和下一个句子联系起来吗?」
理解两个文本句子之间的关系,这是无法通过语言建模直接获取的。
规则:
下一句有 50% 的可能是连续的句子。
下一句有 50% 的可能是无关的句子。
使用
注意:你的语料库一行应该有两个句子,中间用 (\t) 分隔符隔开。
Welcome to the \t the jungle \nI can stay \t here all night \n
1. 基于自己的语料库构建 vocab
python build_vocab.py -c data/corpus.small -o data/corpus.small.vocab
usage: build_vocab.py [-h] -c CORPUS_PATH -o OUTPUT_PATH [-s VOCAB_SIZE] [-e ENCODING] [-m MIN_FREQ]optional arguments: -h, --help show this help message and exit -c CORPUS_PATH, --corpus_path CORPUS_PATH -o OUTPUT_PATH, --output_path OUTPUT_PATH -s VOCAB_SIZE, --vocab_size VOCAB_SIZE -e ENCODING, --encoding ENCODING -m MIN_FREQ, --min_freq MIN_FREQ
2. 使用自己的语料库构建 BERT 训练数据集
python build_dataset.py -d data/corpus.small -v data/corpus.small.vocab -o data/dataset.small
usage: build_dataset.py [-h] -v VOCAB_PATH -c CORPUS_PATH [-e ENCODING] -o OUTPUT_PATHoptional arguments: -h, --help show this help message and exit -v VOCAB_PATH, --vocab_path VOCAB_PATH -c CORPUS_PATH, --corpus_path CORPUS_PATH -e ENCODING, --encoding ENCODING -o OUTPUT_PATH, --output_path OUTPUT_PATH
3. 训练自己的 BERT 模型
python train.py -d data/dataset.small -v data/corpus.small.vocab -o output/
usage: train.py [-h] -d TRAIN_DATASET [-t TEST_DATASET] -v VOCAB_PATH -o OUTPUT_DIR [-hs HIDDEN] [-n LAYERS] [-a ATTN_HEADS] [-s SEQ_LEN] [-b BATCH_SIZE] [-e EPOCHS]optional arguments: -h, --help show this help message and exit -d TRAIN_DATASET, --train_dataset TRAIN_DATASET -t TEST_DATASET, --test_dataset TEST_DATASET -v VOCAB_PATH, --vocab_path VOCAB_PATH -o OUTPUT_DIR, --output_dir OUTPUT_DIR -hs HIDDEN, --hidden HIDDEN -n LAYERS, --layers LAYERS -a ATTN_HEADS, --attn_heads ATTN_HEADS -s SEQ_LEN, --seq_len SEQ_LEN -b BATCH_SIZE, --batch_size BATCH_SIZE -e EPOCHS, --epochs EPOCHS
原文链接:https://github.com/codertimo/BERT-pytorch
点击“ 阅读原文 ”进入AI学院学习