使用BERT預訓練模型+微調進行文本分類

 

本文記錄使用BERT預訓練模型，修改最頂層softmax層，微調幾個epoch，進行文本分類任務。

BERT源碼

首先BERT源碼來自谷歌官方tensorflow版：https://github.com/google-research/bert

注意，這是tensorflow 1.x 版本的。

BERT預訓練模型

預訓練模型采用哈工大訊飛聯合實驗室推出的WWM（Whole Word Masking）全詞覆蓋預訓練模型，主要考量是BERT對於中文模型來說，是按照字符進行切割，但是注意到BERT隨機mask掉15%的詞，這里是完全隨機的，對於中文來說，很有可能一個詞的某些字被mask掉了，比如說讓我預測這樣一句話：

原話： ”我今天早上去打羽毛球了，然后又去蒸了桑拿，感覺身心愉悅“

MASK：”我[MASK]天早上去打[MASK]毛球了，然后[MASK]去蒸了[MASK]拿，感覺身心[MASK]悅“

雖然說從統計學意義上來講這樣做依然可以學得其特征，但這樣實際上破壞了中文特有的詞結構，那么全詞覆蓋主要就是針對這個問題，提出一種機制保證在MASK的時候要么整個詞都不MASK，要么MASK掉整個詞。

WWM MASK：”我今天早上去打[MASK][MASK][MASK]了，然后又去蒸了[MASK][MASK]，感覺身心愉悅“

例子可能舉得不是很恰當，但大概是這個意思，可以參考這篇文章：

https://www.jiqizhixin.com/articles/2019-06-21-01

修改源碼

首先看到下下來的項目結構：

可以看到run_classifier.py文件，這個是我們需要用的。另外，chinese開頭的文件是我們的模型地址，data文件是我們的數據地址，這個每個人可以自己設置。

在run_classifier.py文件中，有一個基類DataProcessor類，這個是我們需要繼承並重寫的:

class DataProcessor(object):
  """Base class for data converters for sequence classification data sets."""

  def get_train_examples(self, data_dir):
    """Gets a collection of `InputExample`s for the train set."""
    raise NotImplementedError()

  def get_dev_examples(self, data_dir):
    """Gets a collection of `InputExample`s for the dev set."""
    raise NotImplementedError()

  def get_test_examples(self, data_dir):
    """Gets a collection of `InputExample`s for prediction."""
    raise NotImplementedError()

  def get_labels(self):
    """Gets the list of labels for this data set."""
    raise NotImplementedError()

  @classmethod
  def _read_tsv(cls, input_file, quotechar=None):
    """Reads a tab separated value file."""
    with tf.gfile.Open(input_file, "r") as f:
      reader = csv.reader(f, delimiter="\t", quotechar=quotechar)
      lines = []
      for line in reader:
        lines.append(line)
      return lines

　　

可以看到我們需要實現獲得訓練、驗證、測試數據接口，以及獲得標簽的接口。

這里我自己用的一個類。注釋比較詳細，就不解釋了，主要體現了只要能獲得數據，不論我們的文件格式是什么樣的，都可以，所以不需要專門為了這個項目去改自己的輸入數據格式。

class StatutesProcessor(DataProcessor):

    def _read_txt_(self, data_dir, x_file_name, y_file_name):
        # 定義我們的讀取方式，我的工程中已經將x文本和y文本分別存入txt文件中，沒有分隔符
        # 用gfile讀取，打開一個沒有線程鎖的的文件IO Wrapper
        # 基本上和python原生的open是一樣的，只是在某些方面更高效一點
        with tf.gfile.Open(data_dir + x_file_name, 'r') as f:
            lines_x = [x.strip() for x in f.readlines()]
        with tf.gfile.Open(data_dir + y_file_name, 'r') as f:
            lines_y = [x.strip() for x in f.readlines()]
        return lines_x, lines_y

    def get_train_examples(self, data_dir):
        lines_x, lines_y = self._read_txt_(data_dir, 'train_x.txt', 'train_y.txt')
        examples = []
        for (i, line) in enumerate(zip(lines_x, lines_y)):
            guid = 'train-%d' % i
            # 規范輸入編碼
            text_a = tokenization.convert_to_unicode(line[0])
            label = tokenization.convert_to_unicode(line[1])
            # 這里有一些特殊的任務，一般任務直接用上面的就行，下面的label操作可以注釋掉
            # 這里因為y會有多個標簽，這里按單標簽來做
            label = label.strip().split()[0]

            # 這里不做匹配任務，text_b為None
            examples.append(
                InputExample(guid=guid, text_a=text_a, label=label)
            )
        return examples

    def get_dev_examples(self, data_dir):
        lines_x, lines_y = self._read_txt_(data_dir, 'val_x.txt', 'val_y.txt')
        examples = []
        for (i, line) in enumerate(zip(lines_x, lines_y)):
            guid = 'train-%d' % i
            # 規范輸入編碼
            text_a = tokenization.convert_to_unicode(line[0])
            label = tokenization.convert_to_unicode(line[1])
            label = label.strip().split()[0]

            # 這里不做匹配任務，text_b為None
            examples.append(
                InputExample(guid=guid, text_a=text_a, label=label)
            )
        return examples

    def get_test_examples(self, data_dir):
        lines_x, lines_y = self._read_txt_(data_dir, 'test_x.txt', 'test_y.txt')
        examples = []
        for (i, line) in enumerate(zip(lines_x, lines_y)):
            guid = 'train-%d' % i
            # 規范輸入編碼
            text_a = tokenization.convert_to_unicode(line[0])
            label = tokenization.convert_to_unicode(line[1])
            label = label.strip().split()[0]

            # 這里不做匹配任務，text_b為None
            examples.append(
                InputExample(guid=guid, text_a=text_a, label=label)
            )
        return examples

    def get_labels(self):
        # 我事先統計了所有出現的y值，放在了vocab_y.txt里
        # 因為這里沒有原生的接口，這里暫時這么做了，只要保證能讀到所有的類別就行了
        with tf.gfile.Open('data/statutes_small/vocab_y.txt', 'r') as f:
            vocab_y = [x.strip() for x in f.readlines()]

        return vocab_y

　　

寫好了之后需要更新一下processors列表，在main函數中，最下面一條就是我新加的。

 

執行訓練微調

python run_classifier.py --data_dir=data/statutes_small/ --task_name=cail2018 --vocab_file=chinese_wwm_ext_L-12_H-768_A-12/vocab.txt --bert_config_file=chinese_wwm_ext_L-12_H-768_A-12/bert_config.json --output_dir=output/ --do_train=true --do_eval=true --init_checkpoint=chinese_wwm_ext_L-12_H-768_A-12/bert_model.ckpt --max_seq_length=200 --train_batch_size=16 --learning_rate=5e-5 --num_train_epoch=3

相信我，寫在一行，這個會有很多小問題，在centos服務器上如果不能按上返回上一條命令，將會很痛苦。。具體參數含義就和參數名是一致的，不需要解釋。

另外，可以稍稍修改一些東西來動態輸入訓練集上的loss，因為BERT源碼封裝的太高了，所以只能按照這篇文章：https://www.cnblogs.com/jiangxinyang/p/10241243.html里面講的方法，每100個step輸出一次train loss（就是100個batch），這樣做雖然意義不大，但是可以看在你的數據集上模型是不是在收斂，方便調整學習率。

在測試集上進行測試

默認test_batch_size = 8

python run_classifier.py --data_dir=data/statutes_small/ --task_name=cail2018 --vocab_file=chinese_wwm_ext_L-12_H-768_A-12/vocab.txt --bert_config_file=chinese_wwm_ext_L-12_H-768_A-12/bert_config.json --output_dir=output/ --do_predict=true --max_seq_length=200

需要注意的是，調用測試接口會在out路徑中生成一個test_results.tsv，這是一個以’\t’為分隔符的文件，記錄了每一條輸入測試樣例，輸出的每一個維度的值（維度數就是類別數目），需要手動做一點操作來得到最終分類結果，以及計算指標等等。

# 計算測試結果
# 因為原生的predict生成一個test_results.tsv文件，給出了每一個sample的每一個維度的值
# 卻並沒有給出具體的類別預測以及指標，這里再對這個“中間結果手動轉化一下”


def cal_accuracy(rst_file_dir, y_test_dir):
    rst_contents = pd.read_csv(rst_file_dir, sep='\t', header=None)
    # value_list: ndarray
    value_list = rst_contents.values
    pred = value_list.argmax(axis=1)
    labels = []

    # 這一步是獲取y標簽到id，id到標簽的對應dict，每個人獲取的方式應該不一致
    y2id, id2y = get_y_to_id(vocab_y_dir='../data/statutes_small/vocab_y.txt')
    with open(y_test_dir, 'r', encoding='utf-8') as f:
        line = f.readline()
        while line:
            # 這里因為y有多個標簽，我要取第一個標簽，所以要單獨做操作
            label = line.strip().split()[0]
            labels.append(y2id[label])
            line = f.readline()
    labels = np.asarray(labels)

    # 預測，pred，真實標簽，labels
    accuracy = metrics.accuracy_score(y_true=labels, y_pred=pred)
    # 這里只舉例了accuracy，其他的指標也類似計算
    print(accuracy)


def get_y_to_id(vocab_y_dir):
    # 這里把所有的y標簽值存在了文件中
    y_vocab = open(vocab_y_dir, 'r', encoding='utf-8').read().splitlines()
    y2idx = {token: idx for idx, token in enumerate(y_vocab)}
    idx2y = {idx: token for idx, token in enumerate(y_vocab)}
    return y2idx, idx2y

　　

這部分代碼在classifier/cal_test_matrix.py中。

我的代碼地址：

點擊這里

 

參考：

https://github.com/google-research/bert

https://www.cnblogs.com/jiangxinyang/p/10241243.html

https://www.jiqizhixin.com/articles/2019-06-21-01

https://arxiv.org/abs/1906.08101