Bert-二分类(包括py3.8版本情况下tensorflow降为1.X的情况,包括安装虚拟环境)

前话

1.作为一名小白最近在做中文文本二分类的实战，用到Google的Bert模型。
2.中途卡了很多次，记录下来，如果有朋友也遇到了类似问题，很高兴能帮到你们。

数据预处理

1.BERT输入的最大长度限制为512，bert自带截断，长文本截取前 510 个字符，另外两个为[cls]。不过也可以学学bert对超长文本的数据处理方式，但是虽然文章篇幅长，不一定就是要读取到最大长度，后面对比发现，读取100比读取512准确率更高。
2.对于篇章级的分了段的句子，要合并，代码如下：

import openpyxl

# .xlsx文件中只留下每一行需要合并处理的段落句子
def write_excel_xlsx(path_w, path_r, sheet_name):
    workbook_r = openpyxl.load_workbook(path_r)
    sheet_r = workbook_r[sheet_name]
    workbook_w = openpyxl.Workbook()
    sheet_w = workbook_w.active
    sheet_w.title = sheet_name
    for row_r, i in zip(sheet_r.rows, range(621)):  # 被读取文件的行数
        for cell in row_r:
            sheet_w.cell(row=i + 1,
                         column=1,
                         value=''.join(list(cell.value.split('\n'))))  # 
    workbook_w.save(path_w)
    print("xlsx格式表格写入数据成功！")


book_name_xlsx = "C:/Users/hua'wei/Desktop/官方增加数据.xlsx"  # 需要处理的读文件
book_name_xlsx1 = "C:/Users/hua'wei/Desktop/官方增加数据2.xlsx"  # 需要处理的写文件

sheet_name_xlsx = '数据'  # 文件下方的小框框要写的标题，记得要改

write_excel_xlsx(book_name_xlsx1, book_name_xlsx, sheet_name_xlsx)

3.去除不必要的内容，比如英文，各种符号，数字等等(一般用原始的数据不要去除更好，如果 去除方法不对，数据会有问题，模型输入就会跑不通)(不用去除停用词不用自己分词(模型已经写好了分词)不用自己词向量化)。由于Bert为监督模型(确实监督效果更好)，将数据集人工分类标注为“0”“1”后再分为训练集(70%)、验证集(20%)、测试集(10%)(最好新建一个文件夹专门放数据集，此文件夹放在bert-master下)。结果如下：

3.从github上下载好中文预训练模型(用人家已经预训练好的，普通machine跑不了)以及bert-master，导入到PyCharm,准备工作就完毕了。

代码微调

1.bert-master文件夹下的“run_classifier.py”用来做文本分类任务。
2.仿照例类，写自己数据读取的类，我将之命名为MyDataProcessor，代码如下：

class MyDataProcessor(DataProcessor):
  """Base class for data converters for sequence classification data sets."""

  def get_train_examples(self, data_dir):  # 读取训练数据集
    """Gets a collection of `InputExample`s for the train set."""
    return self._create_examples(
        self._read_tsv(os.path.join(data_dir, "train.txt")), "train")

  def get_dev_examples(self, data_dir):  # 读取验证数据集
    """Gets a collection of `InputExample`s for the dev set."""
    return self._create_examples(
        self._read_tsv(os.path.join(data_dir, "dev.txt")), "dev")

  def get_test_examples(self, data_dir):  # 读取测试数据集
    """Gets a collection of `InputExample`s for prediction."""
    return self._create_examples(
        self._read_tsv(os.path.join(data_dir, "test.txt")), "test")

  def _read_tsv(cls, input_file, quotechar=None):  # 我改为了读取.txt文件的方式(虽然名字没有改哈哈)
    """Reads a tab separated value file."""
    with open(input_file,'r',encoding='utf-8') as f:
        lines = []
        for line in f.readlines():
            lines.append(line)
        return lines

# 如果数据格式并不是一个label，一个tab，一段文本；则需要更改“_create_examples()”的实现。
  def _create_examples(self, lines, set_type):  # 照猫画虎创造自己的实例
    """Creates examples for the training and dev sets."""
    examples = []
    for (i, line) in enumerate(lines):
      guid = "%s-%s" % (set_type, i)
      text_a = tokenization.convert_to_unicode(line[1])  # 文本
      label = tokenization.convert_to_unicode(line[0])  # 标签
      examples.append(
          InputExample(guid=guid, text_a=text_a, text_b=None, label=label))  # 没有第二条文本text_b=None
    return examples

  def get_labels(self):
    """Gets the list of labels for this data set."""
    return ['0','1']

3.在main(_)函数中将processors的内容增加为：

  processors = {
      "cola": ColaProcessor,
      "mnli": MnliProcessor,
      "mrpc": MrpcProcessor,
      "xnli": XnliProcessor,
      "mydata": MyDataProcessor,  # 自己创建的类，想个名字
  }

设置参数

1.一开始建立了一个新的run.sh脚本文件(不熟练)，打算运行此脚本，但总是报错，告知找不到data。
2.后来就直接在PyCharm里面设置参数了，如图所示：

如果是用的他人的修改过的模型，不是官方原始的，就要修改脚本路径，第一条红线处

其中data_dir是你的要训练的文本的数据所在的文件夹，vocab_file，bert_config_file，init_checkpoint是你的bert预训练模型文件夹里面的，填写预训练模型位置即可，我放在bert-master同级目录下。task_name要求和你的DataProcessor类中的名称一致。下面的几个参数，do_train代表是否进行fine tune，do_eval代表是否进行evaluation，还有未出现的参数do_predict代表是否进行预测。max_seq_length代表了句子的最长长度，当显存不足时，可以适当降低max_seq_length。batch-size是1次迭代所使用的样本量，epoch：1个epoch表示过了1遍训练集中的所有样本，output_dir就是将你训练好的结果存放之地。
3.注意参数末尾不可以加\，开头的文件路径为./或…/ 不能是/不然后面会报错“Failed to create a directory ”
4.超参部分，官方表示如下设定在所有任务上都表现很好：

'''
Batch size: 16, 32
 Learning rate (Adam): 5e-5, 3e-5, 2e-5
•Number of epochs: 3, 4
'''

设置虚拟环境

1.一开始遇到一个非常头疼的问题，总是显示UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xd5 in position 93: invalid continuation byte的报错，去Stack Overflow看，有说可能是数据集保存的时候不是UTF-8的编码格式(或许你们是这个问题)，在编译器里改一下，可是仍然没有用（不是数据集的问题，还没有调用读取数据集的函数）。偶然看到一个answer
“It appears the string self.__name in the last line contains non uft-8 encoded characters”，一下子醍醐灌顶，可能是我的路径名称里有中文。找预训练好的文件时无法decode路径，接下来我就更改路径名称，最终就解决了这个问题。
2.由于TensorFlow版本的问题(我目前是2.x)，需要不断的修改api，改到后面有个不兼容问题实在改不了(后面又会出现不同问题)

最后决定降版本，python安装tensorflow的版本要严格对应，安装的时候应注意版本问题(cp对应严格！！)，由于我的python是3.8版本，我又在Anaconda里安装了虚拟环境，在cmd里面输入如下命令：

可自己选择路径，检查现有虚拟环境(我的虚拟环境的名字为bert)：

接下来执行这两条命令，进入创造的虚拟环境，安装你所需要TF版本(我安装的是1.6.0版本，或许可以直接安装1.1.0版本应该不用改api)

tips:如果安装别的包，例如pandas，直接在此环境下敲命令：pip install pandas

显示如此则安装成功:

接下来前往PyCharm为你的项目修改python解释器：

右下角选择解释器设置

点击添加

注意一一对应，位置为你刚刚安装的虚拟环境的文件夹位置，最后按确定选择对应的解释器就好了。

Run-train

接下来就要一步步填在2.X版本下改的坑了，把它改回来(大部分是tf.compat.v1改回tf)，或者可以去github上重新导入run_classifier.py源码，我选择的是后者，在过程中，出现了TF1.6.0版本不兼容的api接下来我们一一改一下，如下图(报错以及相应更改)：





将两处drop_remainder参数给注释掉
bert中文微调tensorflow降版本过程以上三处关于api的修改，感谢这位博主。
后续自己又遇到了一些报错，好在也改过来了：


把False和name两个参数去掉即可(后来又加回来了，也可以跑通，我也不知道为什么)

最后一个出现的报错困扰了我一天，就看卡在了"Running evaluation"处，猜是不是eval数据有问题，之后我把eval参数设置为fasle，结果train是没问题的，果然问题出在eval处。输入形式也没问题，后来我在eval数据集处加了几十条数据(原来对于eval数据的条数也有说法吗？不是很明白)，终于跑通了！！！
出现如下结果说明训练完毕，可以看到输出评估结果如下：

验证集loss上升，acc也上升，原因是过拟合或者训练验证数据分布不一致导致，在训练后期，预测的结果趋向于极端，使少数预测错的样本主导了loss，但同时少数样本不影响整体的验证acc情况。

注意

1.所有路径最好不要包含中文
2.大量改动api，还不如直接在虚拟环境里调Tensorflow（也可能是因为我菜哈哈哈）
3.如果在import处有红下划线显示“未解析的引用…”是因为没有下载该库