使用BERT的方法

电玩女神 2021-09-28 12:50 589阅读 0赞

使用BERT的注意事项：需要自己下载BERT源码，然后把解压后的文件夹放到跟目录

使用BERT的目的是：为了获取最后的模型返回向量（就是4）步骤的输出）

使用BERT模型的步骤是：

1）首先加载并且恢复模型的配置参数、模型参数；

2）调用函数convert\_single\_example生成模型所需要的数据，其实就是input\_ids、input\_mask、segment\_ids；

3）把第二步生成的三个List输入到modeling.BertModel中对应的参数位置input\_ids、input\_mask、token\_type\_ids；

4）最后根据NLP任务选择输出的方法是model.get\_sequence\_output()还是model.get\_pooled\_output()，其中model.get\_sequence\_output()的返回数据格式是\[batch\_size, seq\_length, embedding\_size\]，使用使用seq2seq或者ner；而model.get\_pooled\_output()输出为

#!/usr/bin/python
    # -*- coding:utf-8 -*-
    
    import tensorflow as tf
    from bert import modeling
    from bert import tokenization
    import os
    
    # 一、加载BERT模型
    # 这里是下载下来的bert配置文件
    bert_config = modeling.BertConfig.from_json_file("chinese_L-12_H-768_A-12/bert_config.json")
    #  创建bert的输入
    input_ids=tf.placeholder (shape=[64,128],dtype=tf.int32,name="input_ids")
    input_mask=tf.placeholder (shape=[64,128],dtype=tf.int32,name="input_mask")
    segment_ids=tf.placeholder (shape=[64,128],dtype=tf.int32,name="segment_ids")
    
    # 创建bert模型
    model = modeling.BertModel(
        config=bert_config,
        is_training=True,
        input_ids=input_ids,
        input_mask=input_mask,
        token_type_ids=segment_ids,
        use_one_hot_embeddings=False # 这里如果使用TPU 设置为True，速度会快些。使用CPU 或GPU 设置为False ，速度会快些。
    )
    
    #bert模型参数初始化的地方
    init_checkpoint = "chinese_L-12_H-768_A-12/bert_model.ckpt"
    use_tpu = False
    # 获取模型中所有的训练参数。
    tvars = tf.trainable_variables()
    # 加载BERT模型
    
    (assignment_map, initialized_variable_names) = modeling.get_assignment_map_from_checkpoint(tvars,
                                                                                           init_checkpoint)
    
    tf.train.init_from_checkpoint(init_checkpoint, assignment_map)
    
    tf.logging.info("**** Trainable Variables ****")
    # 打印加载模型的参数
    for var in tvars:
        init_string = ""
        if var.name in initialized_variable_names:
            init_string = ", *INIT_FROM_CKPT*"
        tf.logging.info("  name = %s, shape = %s%s", var.name, var.shape,
                        init_string)
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
    
    # 二、获取BERT模型的输出
    output_layer = model.get_sequence_output()# 这个获取每个token的output 输出[batch_size, seq_length, embedding_size] 如果做seq2seq 或者ner 用这个
    
    # output_layer = model.get_pooled_output() # 这个获取句子的output
    
    # 三、获取BERT模型的输入
    def convert_single_example( max_seq_length,
                               tokenizer,text_a,text_b=None):
      tokens_a = tokenizer.tokenize(text_a)
      tokens_b = None
      if text_b:
        tokens_b = tokenizer.tokenize(text_b)# 这里主要是将中文分字
      if tokens_b:
        # 如果有第二个句子，那么两个句子的总长度要小于 max_seq_length - 3
        # 因为要为句子补上[CLS], [SEP], [SEP]
        _truncate_seq_pair(tokens_a, tokens_b, max_seq_length - 3)
      else:
        # 如果只有一个句子，只用在前后加上[CLS], [SEP] 所以句子长度要小于 max_seq_length - 3
        if len(tokens_a) > max_seq_length - 2:
          tokens_a = tokens_a[0:(max_seq_length - 2)]
    
      # 转换成bert的输入，注意下面的type_ids 在源码中对应的是 segment_ids
      # (a) 两个句子:
      #  tokens:   [CLS] is this jack ##son ##ville ? [SEP] no it is not . [SEP]
      #  type_ids: 0     0  0    0    0     0       0 0     1  1  1  1   1 1
      # (b) 单个句子:
      #  tokens:   [CLS] the dog is hairy . [SEP]
      #  type_ids: 0     0   0   0  0     0 0
      #
      # 这里 "type_ids" 主要用于区分第一个第二个句子。
      # 第一个句子为0，第二个句子是1。在预训练的时候会添加到单词的的向量中，但这个不是必须的
      # 因为[SEP] 已经区分了第一个句子和第二个句子。但type_ids 会让学习变的简单
    
      tokens = []
      segment_ids = []
      tokens.append("[CLS]")
      segment_ids.append(0)
      for token in tokens_a:
        tokens.append(token)
        segment_ids.append(0)
      tokens.append("[SEP]")
      segment_ids.append(0)
      if tokens_b:
        for token in tokens_b:
          tokens.append(token)
          segment_ids.append(1)
        tokens.append("[SEP]")
        segment_ids.append(1)
      input_ids = tokenizer.convert_tokens_to_ids(tokens)# 将中文转换成ids
      # 创建mask
      input_mask = [1] * len(input_ids)
      # 对于输入进行补0
      while len(input_ids) < max_seq_length:
        input_ids.append(0)
        input_mask.append(0)
        segment_ids.append(0)
      assert len(input_ids) == max_seq_length
      assert len(input_mask) == max_seq_length
      assert len(segment_ids) == max_seq_length
      return input_ids,input_mask,segment_ids # 对应的就是创建bert模型时候的input_ids,input_mask,segment_ids 参数
    
    
    # 下面开始调用分词并且生成输入数据
    vocab_file="chinese_L-12_H-768_A-12/vocab.txt"
    token = tokenization.FullTokenizer(vocab_file=vocab_file)
    input_ids,input_mask,segment_ids = convert_single_example(100,token,"可以直接到编辑部买，地址，北京体育馆路8号，中国体育报业总社院内")
    print(input_ids)
    print(input_mask)
    print(segment_ids)