【NLP】看不懂bert没关系,用起来so easy!

机器学习初学者

共 4474字,需浏览 9分钟

 ·

2021-03-14 11:10

作者:十方


bert的大名如雷贯耳,无论在比赛,还是实际上的应用早已普及开来。想到十方第一次跑bert模型用的框架还是paddlepaddle,那时候用自己的训练集跑bert还是比较痛苦的,不仅要看很多配置文件,预处理代码,甚至报错了都不知道怎么回事,当时十方用的是bert双塔做文本向量的语义召回。如今tf都已经更新到了2.4了,tensorflow-hub的出现更是降低了使用预训练模型的门槛,接下来带大家看下,如何花十分钟时间快速构建bert双塔召回模型。


tensorflow hub

打开tensorflow官网,找到tensorflow-hub点进去,我们就能看到各种预训练好的模型了,找到一个预训练好的模型(如下图),下载下来,如介绍所说,这是个12层,768维,12头的模型。

在往下看,我们看到有配套的预处理工具:

同样下载下来,然后我们就可以构建bert双塔了。



Bert双塔


import osimport shutilimport pickleimport tensorflow as tfimport tensorflow_hub as hubimport tensorflow_text as textfrom official.nlp import optimizationfrom tensorflow.keras import *from tqdm import tqdmimport numpy as npimport pandas as pdimport jsonimport reimport random
# 这里读你自己的文本数据集with open('./data/train_data.pickle', 'rb') as f: train_data = pickle.load(f)
# 读数据用的generaterdef train_generator(): np.random.shuffle(train_data)    for i in range(len(train_data)):        yield train_data[i][0], train_data[i][1]
# 训练数据 datasetds_tr = tf.data.Dataset.from_generator(train_generator, output_types=(tf.string, tf.string))
# bert 双塔 dim_size是维度 model_name是下载模型的路径def get_model(dim_size, model_name):    # 下载的预处理工具路径 preprocessor = hub.load('./bert_en_uncased_preprocess/3')

    # 左边塔的文本 text_source = tf.keras.layers.Input(shape=(), dtype=tf.string)    # 右边塔的文本 text_target = tf.keras.layers.Input(shape=(), dtype=tf.string) tokenize = hub.KerasLayer(preprocessor.tokenize) tokenized_inputs_source = [tokenize(text_source)] tokenized_inputs_target = [tokenize(text_target)]

    seq_length = 512  # 这里指定你序列文本的最大长度 bert_pack_inputs = hub.KerasLayer( preprocessor.bert_pack_inputs, arguments=dict(seq_length=seq_length)) encoder_inputs_source = bert_pack_inputs(tokenized_inputs_source) encoder_inputs_target = bert_pack_inputs(tokenized_inputs_target)
    # 加载预训练参数     bert_model = hub.KerasLayer(model_name)    bert_encoder_source, bert_encoder_target = bert_model(encoder_inputs_source), bert_model(encoder_inputs_target)
    # 这里想尝试in-batch loss    # 也可以直接对 bert_encoder_source['pooled_output'], bert_encoder_target['pooled_output'] 做点积操作 matrix_logit = tf.linalg.matmul(bert_encoder_source['pooled_output'], bert_encoder_target['pooled_output'], transpose_a=False, transpose_b=True) matrix_logit = matrix_logit / tf.sqrt(dim_size) model = models.Model(inputs = [text_source, text_target], outputs = [bert_encoder_source['pooled_output'], bert_encoder_target['pooled_output'], matrix_logit]) return model
bert_double_tower = get_model(128.0, './small_bert_bert_en_uncased_L-2_H-128_A-2_1/3')bert_double_tower.summary()

我们看到bert双塔模型已经构建完成:

然后定义loss,就可以训练啦!

optimizer = optimizers.Adam(learning_rate=5e-5)loss_func_softmax = tf.keras.losses.CategoricalCrossentropy(from_logits=True)train_loss = metrics.Mean(name='train_loss')train_acc = metrics.CategoricalAccuracy(name='train_accuracy')
def train_step(model, features): with tf.GradientTape() as tape: p_source, p_target, pred = model(features) label = tf.eye(tf.shape(pred)[0]) loss = loss_func_softmax(label, pred) gradients = tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(gradients, model.trainable_variables))
train_loss.update_state(loss)        train_acc.update_state(label, pred) def train_model(model, bz, epochs): for epoch in tf.range(epochs): steps = 0 for feature in ds_tr.prefetch(buffer_size = tf.data.experimental.AUTOTUNE).batch(bz): logs_s = 'At Epoch={},STEP={}' tf.print(tf.strings.format(logs_s,(epoch, steps))) train_step(model, feature)            steps += 1

train_loss.reset_states()        train_acc.reset_states()

往期精彩回顾





本站qq群851320808,加入微信群请扫码:

浏览 42
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报