【NLP】用BERT进行机器阅读理解

这里可以找到带有代码的Github存储库:https://github.com/edwardcqian/bert_QA。本文将讨论如何设置此项功能.

机器（阅读）理解是NLP的领域，我们使用非结构化文本教机器理解和回答问题。

https://www.coursera.org/specializations/deep-learning?ranMID=40328&ranEAID=J2RDoRlzkk&ranSiteID=J2RDo.Rlzkk-XtffRH2JEnDifWa3VrZJ1A&siteID=J2RDo.Rlzkk-XtffRH2JEnDifWa3VrZJ1A&utm_content=2&utm_medium=partners&utm_source=linkshare&utm_campaign=J2RDoRlzkk

2016年，斯坦福德NLP将由超过100000对问答对组成的SQuAD （斯坦福问答数据集）集合在一起，这些数据集由维基百科文章编制。挑战是训练一个机器学习模型，以基于上下文文档回答问题。

当提供上下文（自由文本）和问题时，模型将返回最有可能回答问题的文本子集。

世界上顶尖的人工智能从业人员解决了这个问题，但两年后，没有一个模型能超越人类的标准。然而，2018年底，谷歌大脑引入了通用语言理解模型BERT（Transforms的双向编码器表示）。经过一些微调，与小组测试集相比，该模型能够超越人类的基准。

来自论文：https://arxiv.org/pdf/1606.05250.pdf，这些是用于评估的指标：

完全匹配。这个度量标准衡量的是精确匹配任何一个真实答案的百分比。

（宏平均）F1得分。这个度量了预测和真实答案之间的平均重叠。我们把预测和真实标签当作token列表，并计算它们的F1。我们对给定问题的所有真实答案取最大F1，然后对所有问题取平均值。

基于初始的团队数据集：

• 人类注释者的精确匹配得分为82.304%，F1得分91.221%

• 原BERT模型获得85.083%的精确匹配分数，F1得分91.835%

今天，我将向你演示如何使用BERT建立自己的阅读理解系统。这里可以找到带有代码的Github存储库。

https://github.com/edwardcqian/bert_QA

先设置Docker。🐳

Docker对于容器化应用程序很有用。我们将使用Docker使这项工作更为有用，结果更可重复。按照以下说明在系统上安装Docker。

你还需要docker compose，它是在macos和windows上与docker一起提供的。如果你使用Linux，可以在此处安装它：https://runnable.com/docker/introduction-to-docker-compose

除了训练过的数据和预训练的权重之外，所有代码和必要的依赖项都在repo中。注意：只有当你想自己训练模型时，才需要数据。如果没有，你可以使用我预训练过的权重。另一个注意：除非你有一个强大的GPU或大量的时间，否则我不建议训练这个模型。

在这里下载Team2.0数据集：https://rajpurkar.github.io/SQuAD-explorer/。将“Training Set v2.0”和“Dev Set v2.0”保存到bert_uqa/data。

我已经针对SQuAD 2.0训练了模型。你可以在这里下载。解压缩文件并保存内容asbert_uqa/weights。

Docker容器是使用Docker映像中提供的指令构建的工作环境。我们需要一个docker-compose.yaml配置文件来定义容器的外观。

version: '3'
services:
    pytorch:
        image: 'edwardcqian/huggingface_transformers_pytorch:2.5.1'
        tty: true
        restart: always
        volumes:
            - ./:/workspace

我为huggingface的Pytorch Transformer制作了一个定制的docker镜像，你可以在dockerhub上找到。为了本教程的目的，你不需要像配置文件那样拉取任何镜像。配置文件还将本地bert_QA文件夹作为容器中的/workspace。

• 通过在terminal/shell根目录中运行docker compose up-d来启动容器。第一次将需要几分钟。

• 检查我们的包含是否已启动，并使用Docker ps运行。

• 将bash shell附加到正在运行的容器：

docker exec -it <your_container_name> bash

如果你使用我的预训练的权重，请跳过此步骤。我们将使用huggingface提供的默认训练脚本来训练模型。

在bash shell中运行此命令：

python run_squad.py \
  --model_type bert \
  --model_name_or_path bert-base-uncased \
  --do_train \
  --do_eval \
  --do_lower_case \
  --train_file data/train-v2.0.json \
  --predict_file data/dev-v2.0.json \
  --per_gpu_train_batch_size 12 \
  --learning_rate 3e-5 \
  --num_train_epochs 2.0 \
  --max_seq_length 384 \
  --doc_stride 128 \
  --output_dir weights/

注意：如果没有GPU，则per_gpu_train_batch_size将不会做任何操作

这将训练模型权重并将其保存到权重目录。

现在让我们用这个模型来做一些酷的事情。

在shell中启动ipython会话，并导入ModelInference模块以从weights/加载权重。将上下文文档作为参数传递给mi.add_target_text()。

摄入语料库后，使用mi.evaluate()提问。只有当模型确信答案存在于文本中时，模块才会返回答案。否则，模型将输出“找不到有效答案”。

from model_inference import ModelInference

mi = ModelInference('weights/')

mi.add_target_text((
  'The Normans (Norman: Nourmands; French: Normands; Latin: Normanni) '
  'were the people who in the 10th and 11th centuries gave their name to '
  'Normandy, a region in France. They were descended from Norse '
  '(\"Norman\" comes from \"Norseman\") raiders and pirates from Denmark, '
  'Iceland and Norway who, under their leader Rollo, '
  'agreed to swear fealty to King Charles III of West Francia. '
  'Through generations of assimilation and mixing with the native '
  'Frankish and Roman-Gaulish populations, their descendants would gradually '
  'merge with the Carolingian-based cultures of West Francia. '
  'The distinct cultural and ethnic identity of the Normans emerged initially '
  'in the first half of the 10th century, '
  'and it continued to evolve over the succeeding centuries.'
))

mi.evaluate('Where is Normandy')
# france

mi.evaluate('What are Normans called in latin?')
# normanni

mi.evaluate('When was normandy named?')
# in the 10th and 11th centuries

mi.evaluate('What kind of songs did the Normans sing?')
# No valid answers found.

mi.evaluate('What is you quest?')
# No valid answers found.