何使用BERT模型实现中文的文本分类

原文网址：https://blog.csdn.net/Real_Brilliant/article/details/84880528

前言

1. Google官方BERT代码（Tensorflow）
2. 本文章参考的BERT分类代码（Pytorch）
3. 本文章改进的BERT中文文本分类代码（Pytorch）
4. BERT模型介绍

Pytorch

readme

• 请先安装pytorch的BERT代码，代码源见前言(2)

  pip install pytorch-pretrained-bert
  
       
         
         
         
         
  
       
         
         
         
         
  
          
          
          
          
  1
         
         
         
         

参数表

data_dir	bert_model	task_name
输入数据目录	加载的bert模型，对于中文文本请输入’bert-base-chinese’	输入数据预处理模块，最好根据应用场景自定义
model_save_pth	max_seq_length*	train_batch_size
模型参数保存地址	最大文本长度	batch大小
learning_rate	num_train_epochs
Adam初始学习步长	最大epoch数

* max_seq_length = 所设定的文本长度 + 2 ，BERT会给每个输入文本开头和结尾分别加上[CLS]和[SEP]标识符，因此会占用2个字符空间，其作用会在后续进行详细说明。

算法流程

1. 概述

训练阶段

利用验证集调整参数

选取验证集上得分最高的模型

测试阶段

加载预训练模型

读取数据

特征转换

模型训练

保存最佳模型参数

加载训练阶段最佳模型

读取数据

特征转换

输入模型并进行测试

2. 读取数据

• 对应于参数表中的task_name，是用于数据读取的模块
• 可以根据自身需要自定义新的数据读取模块
• 以输入数据为json文件时为例，数据读取模块包含两个部分：
  • 基类DataProcessor：

    class DataProcessor(object):		
        def get_train_examples(self, data_dir):
            raise NotImplementedError()
    def get_dev_examples(self, data_dir):
        raise NotImplementedError()
    
    def get_test_examples(self, data_dir):
        raise NotImplementedError()
    
    def get_labels(self):
        raise NotImplementedError()
    
    @classmethod
    def _read_json(cls, input_file, quotechar=None):
        """Reads a tab separated value file."""
        dicts = []
        with codecs.open(input_file, 'r', 'utf-8') as infs:
            for inf in infs:
                inf = inf.strip()
                dicts.append(json.loads(inf))
        return dicts
    
    

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

• 用于数据读取的模块MyPro：

  class MyPro(DataProcessor):
      def get_train_examples(self, data_dir):
          return self._create_examples(
              self._read_json(os.path.join(data_dir, "train.json")), 'train')
  def get_dev_examples(self, data_dir):
      return self._create_examples(
          self._read_json(os.path.join(data_dir, "val.json")), 'dev')
  
  def get_test_examples(self, data_dir):
      return self._create_examples(
          self._read_json(os.path.join(data_dir, "test.json")), 'test')
  
  def get_labels(self):
      return [0, 1]
  
  def _create_examples(self, dicts, set_type):
      examples = []
      for (i, infor) in enumerate(dicts):
          guid = "%s-%s" % (set_type, i)
          text_a = infor['question']
          label = infor['label']
          examples.append(
              InputExample(guid=guid, text_a=text_a, label=label))
      return examples
  
  

• • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
• 需要注意的几点是：
  1. data_dir目录下应包含名为train、val、test的三个文件，根据文件格式不同需要对读取方式进行修改
  2. get_labels()返回的是所有可能的类别label_list，比如['数学', '英语', '语文']、[1, 2, 3]…
  3. 模块最终返回一个名为examples的列表，每个列表元素中包含序号、中文文本、类别三个元素

• 3. 特征转换

  • convert_examples_to_features是用于将examples转换为特征，也即features的函数。
  • features包含4个数据：
    • input_ids：分词后每个词语在vocabulary中的id，补全符号对应的id为0，[CLS]和[SEP]的id分别为101和102。应注意的是，在中文BERT模型中，中文分词是基于字而非词的分词。
    • input_mask：真实字符/补全字符标识符，真实文本的每个字对应1，补全符号对应0，[CLS]和[SEP]也为1。
    • segment_ids：句子A和句子B分隔符，句子A对应的全为0，句子B对应的全为1。但是在多数文本分类情况下并不会用到句子B，所以基本不用管。
    • label_id ：将label_list中的元素利用字典转换为index标识，即

      label_map = {}
      for (i, label) in enumerate(label_list):
          label_map[label] = i
      
           
               
               
               
               
      
           
               
               
               
               
      
                
                
                
                
      1
                
                
                
                
      2
                
                
                
                
      3
               
               
               
               

  • features中一个元素的例子是：
    
  • 转换完成后的特征值就可以作为输入，用于模型的训练和测试

  4. 模型训练

  • 完成读取数据、特征转换之后，将特征送入模型进行训练
  • 训练算法为BERT专用的Adam算法
  • 训练集、测试集、验证集比例为6:2:2
  • 每一个epoch后会在验证集上进行验证，并给出相应的f1值，如果f1值大于此前最高分则保存模型参数，否则flags加1。如果flags大于6，也即连续6个epoch模型的性能都没有继续优化，停止训练过程。

    f1 = val(model, processor, args, label_list, tokenizer, device)
    if f1 > best_score:
        best_score = f1
        print('*f1 score = {}'.format(f1))
        flags = 0
        checkpoint = {
            'state_dict': model.state_dict()
        }
        torch.save(checkpoint, args.model_save_pth)
    else:
        print('f1 score = {}'.format(f1))
        flags += 1
        if flags >=6:
            break
    
       
           
           
           
           
    
       
           
           
           
           
    
            
            
            
            
    1
            
            
            
            
    2
            
            
            
            
    3
            
            
            
            
    4
            
            
            
            
    5
            
            
            
            
    6
            
            
            
            
    7
            
            
            
            
    8
            
            
            
            
    9
            
            
            
            
    10
            
            
            
            
    11
            
            
            
            
    12
            
            
            
            
    13
            
            
            
            
    14
           
           
           
           

  • 如果epoch数超过先前设定的num_train_epochs，同样会停止迭代。

  5. 模型测试

  • 先加载模型
  • 送数据，取得分，完事
  • 暂时还没加打印测试结果到文件的功能，后续会加上

  6. 测试结果

  	val_F1	test_F1
  Fast text	0.7218	0.7094
  Text rnn + bigru	0.7383	0.7194
  Text cnn	0.7292	0.7088
  bigru + attention	0.7335	0.7146
  RCNN	0.7355	0.7213
  BERT	0.7938	0.787

  • 基于真实数据做的文本分类，用过不少模型，BERT的性能可以说是独一档
  • BERT确实牛逼，不过一部分原因也是模型量级就不一样

  7. 总结

  • 使用代码的时候按照参数表修改下参数，把数据按照命名规范放data_dir目录下一般就没啥问题了
  • 最多还要修改下读取数据的代码（如果数据不是.json格式的），就可以跑通了
  • 最后可以根据个人需要，对模型训练逻辑、epoch数、学习步长等地方做进一步修改
  • 代码地址已经放在前言(3)里了