Pytorch BertModel的使用說明

基本介紹

環境: Python 3.5+, Pytorch 0.4.1/1.0.0

安裝:

pip install pytorch-pretrained-bert

必需參數:

–data_dir: “str”: 數據根目錄.目錄下放著,train.xxx/dev.xxx/test.xxx三個數據文件.

–vocab_dir: “str”: 詞庫文件地址.

–bert_model: “str”: 存放著bert預訓練好的模型. 需要是一個gz文件, 如”..x/xx/bert-base-chinese.tar.gz “, 裡面包含一個bert_config.json和pytorch_model.bin文件.

–task_name: “str”: 用來選擇對應數據集的參數,如”cola”,對應著數據集.

–output_dir: “str”: 模型預測結果和模型參數存儲目錄.

簡單例子:

導入所需包

import torch
from pytorch_pretrained_bert import BertTokenizer, BertModel, BertForMaskedLM

創建分詞器

tokenizer = BertTokenizer.from_pretrained(--vocab_dir)

需要參數: –vocab_dir, 數據樣式見此

擁有函數:

tokenize: 輸入句子,根據–vocab_dir和貪心原則切詞. 返回單詞列表

convert_token_to_ids: 將切詞後的列表轉換為詞庫對應id列表.

convert_ids_to_tokens: 將id列表轉換為單詞列表.

text = '[CLS] 武松打老虎 [SEP] 你在哪 [SEP]'
tokenized_text = tokenizer.tokenize(text)
indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)
segments_ids = [0, 0, 0, 0, 0, 0, 0,0,0,0, 1,1, 1, 1, 1, 1, 1, 1]
tokens_tensor = torch.tensor([indexed_tokens])
segments_tensors = torch.tensor([segments_ids])

這裡對標記符號的切詞似乎有問題([cls]/[sep]), 而且中文bert是基於字級別編碼的,因此切出來的都是一個一個漢字:

['[', 'cl', '##s', ']', '武', '松', '打', '老', '虎', '[', 'sep', ']', '你', '在', '哪', '[', 'sep', ']']

創建bert模型並加載預訓練模型:

model = BertModel.from_pretrained(--bert_model)

放入GPU:

tokens_tensor = tokens_tensor.cuda()
segments_tensors = segments_tensors.cuda()
model.cuda()

前向傳播:

encoded_layers, pooled_output= model(tokens_tensor, segments_tensors)

參數:

input_ids: (batch_size, sqe_len)代表輸入實例的Tensor

token_type_ids=None: (batch_size, sqe_len)一個實例可以含有兩個句子,這個相當於句子標記.

attention_mask=None: (batch_size*): 傳入每個實例的長度,用於attention的mask.

output_all_encoded_layers=True: 控制是否輸出所有encoder層的結果.

返回值:

encoded_layer:長度為num_hidden_layers的(batch_size, sequence_length,hidden_size)的Tensor.列表

pooled_output: (batch_size, hidden_size), 最後一層encoder的第一個詞[CLS]經過Linear層和激活函數Tanh()後的Tensor. 其代表瞭句子信息

補充:pytorch使用Bert

主要分為以下幾個步驟:

下載模型放到目錄中

使用transformers中的BertModel,BertTokenizer來加載模型與分詞器

使用tokenizer的encode和decode 函數分別編碼與解碼,註意參數add_special_tokens和skip_special_tokens

forward的輸入是一個[batch_size, seq_length]的tensor,再需要註意的是attention_mask參數。

輸出是一個tuple,tuple的第一個值是bert的最後一個transformer層的hidden_state,size是[batch_size, seq_length, hidden_size],也就是bert最後的輸出,再用於下遊的任務。

# -*- encoding: utf-8 -*-
import warnings
warnings.filterwarnings('ignore')
from transformers import BertModel, BertTokenizer, BertConfig
import os
from os.path import dirname, abspath
root_dir = dirname(dirname(dirname(abspath(__file__))))
import torch
# 把預訓練的模型從官網下載下來放到目錄中
pretrained_path = os.path.join(root_dir, 'pretrained/bert_zh')
# 從文件中加載bert模型
model = BertModel.from_pretrained(pretrained_path)
# 從bert目錄中加載詞典
tokenizer = BertTokenizer.from_pretrained(pretrained_path)
print(f'vocab size :{tokenizer.vocab_size}')
# 把'[PAD]'編碼
print(tokenizer.encode('[PAD]'))
print(tokenizer.encode('[SEP]'))
# 把中文句子編碼,默認加入瞭special tokens瞭,也就是句子開頭加入瞭[CLS] 句子結尾加入瞭[SEP]
ids = tokenizer.encode("我是中國人", add_special_tokens=True)
# 從結果中看,101是[CLS]的id,而2769是"我"的id
# [101, 2769, 3221, 704, 1744, 782, 102]
print(ids)
# 把ids解碼為中文,默認是沒有跳過特殊字符的
print(tokenizer.decode([101, 2769, 3221, 704, 1744, 782, 102], skip_special_tokens=False))
# print(model)
inputs = torch.tensor(ids).unsqueeze(0)
# forward,result是一個tuple,第一個tensor是最後的hidden-state
result = model(torch.tensor(inputs))
# [1, 5, 768]
print(result[0].size())
# [1, 768]
print(result[1].size())
for name, parameter in model.named_parameters():
  # 打印每一層,及每一層的參數
  print(name)
  # 每一層的參數默認都requires_grad=True的,參數是可以學習的
  print(parameter.requires_grad)
  # 如果隻想訓練第11層transformer的參數的話:
  if '11' in name:
    parameter.requires_grad = True
  else:
    parameter.requires_grad = False
print([p.requires_grad for name, p in model.named_parameters()])

添加atten_mask的方法:

其中101是[CLS],102是[SEP],0是[PAD]

>>> a
tensor([[101,  3,  4, 23, 11,  1, 102,  0,  0,  0]])
>>> notpad = a!=0
>>> notpad
tensor([[ True, True, True, True, True, True, True, False, False, False]])
>>> notcls = a!=101
>>> notcls
tensor([[False, True, True, True, True, True, True, True, True, True]])
>>> notsep = a!=102
>>> notsep
tensor([[ True, True, True, True, True, True, False, True, True, True]])
>>> mask = notpad & notcls & notsep
>>> mask
tensor([[False, True, True, True, True, True, False, False, False, False]])
>>> 

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。如有錯誤或未考慮完全的地方,望不吝賜教。