通过pytorch来创建一个文本分类的Bert模型-技术圈

「@Author：Runsen」

2018 年，谷歌发表了一篇题为《Pre-training of deep bidirectional Transformers for Language Understanding》的论文。

在本文中，介绍了一种称为BERT（带转换器Transformers的双向编码Encoder 器表示）的语言模型，该模型在问答、自然语言推理、分类和通用语言理解评估或 (GLUE)等任务中取得了最先进的性能.

BERT全称为Bidirectional Encoder Representation from Transformers[1]，是一种用于语言表征的预训练模型。

它基于谷歌2017年发布的Transformer架构，通常的Transformer使用一组编码器和解码器网络，而BERT只需要一个额外的输出层，对预训练进行fine-tune，就可以满足各种任务，根本没有必要针对特定任务对模型进行修改。

BERT将多个Transformer编码器堆叠在一起。Transformer基于著名的多头注意力（Multi-head Attention）模块，该模块在视觉和语言任务方面都取得了巨大成功。

在本文中，我们将使用 PyTorch来创建一个文本分类的Bert模型。

笔者介今天绍一个python库 --- simpletransformers，可以很好的解决高级预训练语言模型使用困难的问题。

simpletransformers使得高级预训练模型（BERT、RoBERTa、XLNet、XLM、DistilBERT、ALBERT、CamemBERT、XLM-RoBERTa、FlauBERT）的训练、评估和预测变得简单，每条只需3行即可初始化模型。

数据集来源：https://www.kaggle.com/jrobischon/wikipedia-movie-plots

该数据集包含对来自世界各地的 34,886 部电影的描述。列描述如下：

发行年份：电影发行的年份
标题：电影标题
起源：电影的起源（即美国、宝莱坞、泰米尔等）
剧情：主要演员
类型：电影类型
维基页面- 从中抓取情节描述的维基百科页面的 URL
情节：电影情节的长篇描述

import numpy as np
import pandas as pd
import os, json, gc, re, random
from tqdm.notebook import tqdm
import torch, transformers, tokenizers
movies_df = pd.read_csv("wiki_movie_plots_deduped.csv")
from sklearn.preprocessing import LabelEncoder

movies_df = movies_df[(movies_df["Origin/Ethnicity"]=="American") | (movies_df["Origin/Ethnicity"]=="British")]
movies_df = movies_df[["Plot", "Genre"]]
drop_indices = movies_df[movies_df["Genre"] == "unknown" ].index
movies_df.drop(drop_indices, inplace=True)

# Combine genres: 1) "sci-fi" with "science fiction" &  2) "romantic comedy" with "romance"
movies_df["Genre"].replace({"sci-fi": "science fiction", "romantic comedy": "romance"}, inplace=True)

# 根据频率选择电影类型
shortlisted_genres = movies_df["Genre"].value_counts().reset_index(name="count").query("count > 200")["index"].tolist()
movies_df = movies_df[movies_df["Genre"].isin(shortlisted_genres)].reset_index(drop=True)

# Shuffle 
movies_df = movies_df.sample(frac=1).reset_index(drop=True)

#从不同类型中抽取大致相同数量的电影情节样本（以减少阶级不平衡问题）
movies_df = movies_df.groupby("Genre").head(400).reset_index(drop=True)
label_encoder = LabelEncoder()
movies_df["genre_encoded"] = label_encoder.fit_transform(movies_df["Genre"].tolist())
movies_df = movies_df[["Plot", "Genre", "genre_encoded"]]
movies_df

使用 torch 加载 BERT 模型，最简单的方法是使用 Simple Transformers 库，以便只需 3 行代码即可初始化、在给定数据集上训练和在给定数据集上评估 Transformer 模型。

from simpletransformers.classification import ClassificationModel

# 模型参数
model_args = {
    "reprocess_input_data": True,
    "overwrite_output_dir": True,
    "save_model_every_epoch": False,
    "save_eval_checkpoints": False,
    "max_seq_length": 512,
    "train_batch_size": 16,
    "num_train_epochs": 4,
}

# Create a ClassificationModel
model = ClassificationModel('bert', 'bert-base-cased', num_labels=len(shortlisted_genres), args=model_args)

训练模型

train_df, eval_df = train_test_split(movies_df, test_size=0.2, stratify=movies_df["Genre"], random_state=42)

# Train the model
model.train_model(train_df[["Plot", "genre_encoded"]])

# Evaluate the model
result, model_outputs, wrong_predictions = model.eval_model(eval_df[["Plot", "genre_encoded"]])
print(result)

{'mcc': 0.5299659404649717, 'eval_loss': 1.4970421879083518}
CPU times: user 19min 1s, sys: 4.95 s, total: 19min 6s
Wall time: 20min 14s

关于simpletransformers的官方文档：https://simpletransformers.ai/docs

Github链接：https://github.com/ThilinaRajapakse/simpletransformers