利用bert预训练模型进行文本分类

谁践踏了优雅 2023-06-25 10:24 29阅读 0赞

### 摘要 ###

从git下载bert程序，下载bert预训练模型，自行标注数据，实现数据集加载程序，bert进行分类模型训练，评估。  
bert和模型地址：[https://github.com/google-research/bert][https_github.com_google-research_bert]

### 程序目录结构 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jqam95MjAwOQ_size_16_color_FFFFFF_t_70]  
bert文件夹：git clone的项目  
cased\_L12\_H768\_A12文件夹：下载bert模型  
data文件夹：自行标注的数据  
output文件夹：训练后保存的模型

### 数据说明 ###

train.csv：训练数据集，需要有label  
dev.csv：开发集，需要有label，模型评估准确性等指标  
test.csv：测试集，不需要label，模型评价给出每个数据分类概率

第一列是标签，0表示负情绪，1表示正情绪，如下  
1,l like this book  
0,I dislike this book

### run\_classier.py添加代码 ###

（1）添加数据加载class

class MyProcessor(DataProcessor):
        """ My data processor """
        def _read_csv(self, data_dir, file_name):
            df = pd.read_csv(data_dir+file_name, header=None)
            return df
    
        def get_train_examples(self, data_dir):
            df = self._read_csv(data_dir, "train.csv")
    
            examples = []
            for row in df.iterrows():
                guid = "train-%d" % (row[0])
                text_a = tokenization.convert_to_unicode(row[1][1])
                label = tokenization.convert_to_unicode(str(row[1][0]))
                examples.append(
                    InputExample(guid=guid, text_a=text_a, label=label))
            return examples
    
        def get_dev_examples(self, data_dir):
            df = self._read_csv(data_dir, "dev.csv")
    
            examples = []
            for row in df.iterrows():
                guid = "dev-%d" % (row[0])
                text_a = tokenization.convert_to_unicode(row[1][1])
                label = tokenization.convert_to_unicode(str(row[1][0]))
                examples.append(
                    InputExample(guid=guid, text_a=text_a, label=label))
    
            return examples
    
        def get_test_examples(self, data_dir):
            df = self._read_csv(data_dir, "test.csv")
    
            examples = []
            for row in df.iterrows():
                guid = "test-%d" % (row[0])
                text_a = tokenization.convert_to_unicode(row[1][1])
                label = tokenization.convert_to_unicode(str(row[1][0]))
                examples.append(
                    InputExample(guid=guid, text_a=text_a, label=label))
            return examples
    
        def get_labels(self):
            return ["0", "1"]

（2）在main(\_)函数添加MyProcessor

def main(_):
        tf.logging.set_verbosity(tf.logging.INFO)
        processors = { 
            "cola": ColaProcessor,
            "mnli": MnliProcessor,
            "mrpc": MrpcProcessor,
            "xnli": XnliProcessor,
            "my": MyProcessor
        }

### 训练 ###

在bert\_model\_test文件夹下，terminal输入命令如下  
（1）将python工作目录制定到bert  
export PYTHONPATH=$PYTHONPATH:pwd:pwd/bert  
（2）训练命令

python bert/run_classifier.py --data_dir=data/ --task_name=my --vocab_file=cased_L12_H768_A12/vocab.txt --bert_config_file=cased_L12_H768_A12/bert_config.json --output_dir=output/ --do_train=true   --do_eval=true   --init_checkpoint=cased_L12_H768_A12/bert_model.ckpt --max_seq_length=32  --train_batch_size=32  --learning_rate=5e-5  --num_train_epochs=1.0 --save_checkpoints_steps=100 --iterations_per_loop=100

参数说明：  
data\_dir：数据所在目录  
task\_name：main(\_)里边自定义任务名  
output\_dir：模型训练后保存路径  
do\_train：是否执行训练  
do\_eval：是否在dev集评估，可给出准确率  
max\_seq\_length：cell数量（该实验128就很好了）  
train\_batch\_size：每次迭代输入数据量  
num\_train\_epochs：训练数据集训练的轮数  
save\_checkpoints\_steps：每训练多少步存储一次模型（一个batch算一步）  
iterations\_per\_loop：How many steps to make in each estimator call，有待研究，先和save\_checkpoints\_steps一样，和默认一样。

### 预测 ###

输出是若干列概率，如二分类  
0.123 0.877  
0.933 0.067

### 结论 ###

bert训练有点慢，模型输出大概1.3G，比用tf实现的lstm情感分类，dev数据集准确率可提高4%~5%。自建英文数据集在2000多条，标的还算认真，dev准确率lstm能到89%，bert准确率可到94%。留个笔记用的时候省的找了。

[https_github.com_google-research_bert]: https://github.com/google-research/bert
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jqam95MjAwOQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191228152232673.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jqam95MjAwOQ==,size_16,color_FFFFFF,t_70