huggingface中Bert模型的简单使用

因为项目和毕设的缘故，做了挺多关于Bert分类的实际操作的，本文主要记录下transformers库中使用较多的类。
在本文中，你将看到

• huggingface(hf)中Bert模型的简单介绍
• BertConfig，BertTokenizer，BertModel的简单使用

博客地址：https://ilingen.top/

Bert(Bidirectional Transformer for Language Understanding)通过MLM和NSP预训练任务，在Wikipedia和Toronto Book Corpus上进行自监督的学习。

所谓的自监督：我理解的就是从无标签的数据中学习监督任务。比如MLM任务中，将随机mask掉一些token，然后predict出对应masked掉的token。

Bert的预训练任务以及其encoder结构决定了其适合于NLU中的预测型的任务，不适合于text generation生成式任务，在工程实际使用中也需要注意这一点。

Hugging face库中关于Bert的模型有很多，但是实际上需要掌握的用的最多的只有三个：BertConfig、BertTokenizer、BertModel。其他的封装好的下游任务API比如BertForSequenceClassification其实就是在原生的BertModel上外接Linear层实现的。

BertConfig配置

# 定义
class transformers.BertConfig(vocab_size = 30522, hidden_size = 768, 
                              num_hidden_layers = 12, num_attention_heads = 12,
                              intermediate_size = 3072, hidden_act = 'gelu',
                              hidden_dropout_prob = 0.1,
                              attention_probs_dropout_prob = 0.1,
                              max_position_embeddings = 512, type_vocab_size = 2,
                              initializer_range = 0.02, layer_norm_eps = 1e-12,
                              pad_token_id = 0,position_embedding_type = 'absolute',
                              use_cache = True, classifier_dropout = None, **kwargs)

transformers中的一个类，用来记录BertModel的基本配置，继承自PretrainedConfig，用来初始化BERT模型，实例化bert-base-uncased模型。

from transformers import BertModel, BertConfig
# 默认使用bert-based-uncased初始化
configuration=BertConfig()
# 初始化BertModel
model=BertModel(configuration)
# 获取模型的配置
configuration=model.config

BertConfig继承自父类PretrainedConfig，因此可以调用父类的from_pretrained方法来直接加载模型配置。

# 加载bert-based-chinese
configuration=BertConfig.from_pretrained("bert-based-chinese")

BertTokenizer分词器

# 定义
class transformers.BertTokenizer(vocab_file, do_lower_case=True,
                                 do_basic_tokenize=True, never_split=None,
                                 unk_token='[UNK]', sep_token='[SEP]',
                                 pad_token='[PAD]'，cls_token='[CLS]',
                                 mask_token='[MASK]',tokenize_chinese_chars=True,
                                 strip_accents=None,**kwargs)

构建基于WordPiece分词方式的BERT分词器，并进行编码。继承自PretrainedTokenizer，PretrainedTokenizer具有很多功能，可以查看源代码。

BertTokenizer进行编码有三种方式，直接使用tokenizer()、tokenizer.encode()以及tokenizer.encode_plus()
三个函数调用时的参数基本一致，主要有以下几个

• text, text_pair 代表输入的两个句子 str
• truncation 是否进行截断操作 bool
• padding 是否进行padding处理 bool
• return_tensors 'pt’表示pytorch的tensor；'tf’表示tensorflow版本tensor；None表示返回list

通过tokenizer.vocab查看BertTokenizer的词典，主要注意几个词对应的是’[PAD]‘对应的id为0，’[UNK]‘对应id为100，’[CLS]‘对应id为101，’[SEP]‘对应id为102，’[MASK]'对应id为103。
其中tokenizer()和tokenizer.encode_plus()返回结果一致，都返回所有的编码结果，而tokenizer.encode()则是简单的返回词对应的id序列，对于编码器输出的三个编码结果，对应的含义如下。

• input_ids 是Tokenizer对两个句子的token进行idx映射编码，将对应的句子映射为idx。比如在BERT这里输入的形式是 CLS sen1 SEP sen2 SEP

• token_type_idx 是为了区分第一句话和第二句话的编码。0表示第一句话，1表示第二句话

• attention_mask 是为了区分有多少token是有用的，因为Bert输入为固定长度512，所以不足512的需要进行补全操作。补全的部分对应的attention_mask为0

from transformers import BertTokenizer
tokenizer=BertTokenizer.from_pretrained("bert-base-chinese")
# 编码的两个句子
sens1="银行贷款允许未成年人吗"
sens2='未成年人可以办理银行卡吗'
# 第一种编码
tokenizer(text=sens1,text_pair=sens2)
# 输出
{'input_ids': [101, 7213, 6121, 6587, 3621, 1038, 6387, 3313, 2768, 2399, 782, 1408, 102, 3313, 2768, 2399, 782, 1377, 809, 1215, 4415, 7213, 6121, 1305, 1408, 102], 
 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}

# 第二种tokenizer.encode_plus()
tokenizer.encode_plut(text=sens1, text_pair=sens2)
# 输出
{'input_ids': [101, 7213, 6121, 6587, 3621, 1038, 6387, 3313, 2768, 2399, 782, 1408, 102, 3313, 2768, 2399, 782, 1377, 809, 1215, 4415, 7213, 6121, 1305, 1408, 102], 
 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], 
 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
# 第三种tokenizer.encode()
tokenizer.encode(text=sens1, text_pair=sens2)
# 输出
[101, 7213, 6121, 6587, 3621, 1038, 6387, 3313, 2768, 2399, 782, 1408, 102, 3313, 2768, 2399, 782, 1377, 809, 1215, 4415, 7213, 6121, 1305, 1408, 102]

BertModel

# 原始定义
BertModel(config, add_pooling_layer=True)

这里需要讨论一下BertModel的两个加载方式

• BertConfig加载，用来加载配置，但不加载模型权重，相当于加载一个空的Bert模型，用作预训练任务。
• .from_pretrained()方法加载。.from_pretrained()方法是来自于父类PreTrainedModel，用来加载模型权重，相当于加载一个与训练好的Bert模型，用作下游微调。

Bert的输入

BertModel也是nn.Module的子类，forward函数定义如下

# BertModel.forward
    def forward(
        self,
        input_ids: Optional[torch.Tensor] = None,
        attention_mask: Optional[torch.Tensor] = None,
        token_type_ids: Optional[torch.Tensor] = None,
        position_ids: Optional[torch.Tensor] = None,
        head_mask: Optional[torch.Tensor] = None,
        inputs_embeds: Optional[torch.Tensor] = None,
        encoder_hidden_states: Optional[torch.Tensor] = None,
        encoder_attention_mask: Optional[torch.Tensor] = None,
        past_key_values: Optional[List[torch.FloatTensor]] = None,
        use_cache: Optional[bool] = None,
        output_attentions: Optional[bool] = None,
        output_hidden_states: Optional[bool] = None,
        return_dict: Optional[bool] = None,
    ) -> Union[Tuple[torch.Tensor], BaseModelOutputWithPoolingAndCrossAttentions]:

其中，重点介绍一些输入的参数

• input_ids (batch_size,sequence_length) 输入序列根据字典中的token转化id
• attention_mask (batch_size, sequence_legnth) optional，避免对padding的id进行attention操作。1表示没有经过padding，0表示经过padding操作。
• token_type_ids (batch_size,sequence_length) optional，表示两个输入的句子。0表示第一个句子，1表示第二个句子
• position_ids (batch_size,sequence_length) optional，对输入的token进行位置的表示，如果没有输入，则会是Bert中的绝对位置编码
• head_mask (num_heads,)或者(num_layers, num_heads) optional 对选定的attention head进行mask操作。
• return_dict bool optional 是否返回ModelOutput形式的dict或者只是一个元组的形式。

根据forward函数，Bert模型的简单使用如下所示。

from transformers import BertModel
model=BertModel.from_pretrained("bert-base-chinese")

from transformers import BertTokenizer
tokenizer=BertTokenizer.from_pretrained("bert-base-chinese")

sens1="银行贷款允许未成年人吗"
sens2="未成年人可以办理银行卡吗"
inputs=tokenizer(sens1, sens2, return_tensors='pt')
outputs=model(**inputs)

Bert的输出

对于outputs，在未定义其他输出的情况下，有两个tensor输出，用作简单输出。

• last_hidden_state Bert给每个输入的token的表示，shape为[batch_size, seq_len, hidden_size]

• pooler_output last_hidden_state的第一个[CLS]向量经过线性层之后的输出，用作分类输出，shape为[batch_size,hidden_size]

在定义其他输出结果时，Bert模型返回结果为transformers中
modeling_outputs.BaseModelOutputWithPoolingAndCrossAttention类的实例形式。

• last_hidden_state (batch_size, sequence_length, hidden_size)最后一层的输出

• pooler_output （batch_size, hidden_size) 对最后一层第一个token对应的CLS输出进行线性层和Tanh激活函数后的输出结果，通常用于句子分类。

• hidden_states (Tuple)，当BERT的输入的output_hidden_states为True时，输出一个元组：长度为13，第一个为embedding，后面十二个都为对应层的输出结果，形状都为(batch_size, sequence_length, hidden_size)每层输出的模型隐藏状态加上可选的初始嵌入输出。

• attentions (Tuple)，当输入的output_attentions=True时，对每层attention矩阵的输出，形状是(batch_size,num_heads,sequence_length,sequence_length)。经过softmax得到的注意力权重，用于计算加权权重。

• cross_attentions(Tuple) 当输入的output_attentions=True时，输出解码器的attention矩阵输出，形状同样是(batch_size,num_heads,sequence_length,sequence_length)。

• past_key_value(Tuple(Tuple)) 暂时没搞懂这个是啥。当use_cache=True时，返回元组的的元组。每个元组有两个张量(batch_size,num_heads,sequence_length,embed_size_per_head)包含预先计算的隐藏状态（自注意力块中的键和值，以及交叉注意力块中的可选 config.is_encoder_decoder=True），可用于加速顺序解码（参见 past_key_values 输入）。

总结

本文主要总结了transformers库中有关Bert模型的一些简单操作，也算是趁着暑期项目和学业没有特别赶的时候填的坑吧，有一些不太清楚或者有问题的可以随时反馈，希望大家在讨论中一起学习进步。

参考

transformer的BERT官方文档