BERT-Pytorch版本代码pipline梳理

最近在做BERT的fine-tune工作，记录一下阅读项目https://github.com/weizhepei/BERT-NER时梳理的训练pipline，该项目基于Google的Transformers代码构建

前置知识

bert的DataLoader简介（真的很简介）

https://zhuanlan.zhihu.com/p/384469908

yield介绍

https://www.runoob.com/w3cnote/python-yield-used-analysis.html

这是一种提高代码复用性的方法

带yield的函数被称为 generator（生成器），调用next()方法可使其执行至函数内部的yield处中断并返回一个迭代值

Pipeline

训练部分

① 运行build_dataset_tags.py将原始数据集处理为txt文本保存(生成原始数据集文本)

②数据流

注：“XX.py--->”代表该过程由XX.py发起

1、train.py--->class DataLoader[data_loader.py]--->train_data(d)

通过data_loader.py中的load_data，再调用load_sentences_tags

load_sentences_tags返回一个字典d，包含：

• 使用tokenizer对原始句子的token

• token对应的id

• token对应的tag

• 句子的长度

2、train.py--->train_and_evaluate(train_data, val_data)--->2个generator--->evaluate（）[evaluate.py]

此处生成的两个生成器分别用于在训练和测试时以迭代方式获取batch数据

3、train.py--->evaluate（generator）[evaluate.py]--->batch_data, batch_token_starts, batch_tags--->将batch输入model[在train.py处实例化]中--->loss、batch_output、batch_tags--->计算出F1值返回给train_and_evaluate（）

在得到F1值后，根据设置的参数决定是否满足停止训练的条件

数据迭代器

data_loader.py--->data_iterator（train/val/test_data）

--->计算会产生的batch的数量（由train/val/test_data中记录的句子长度size和class DataLoader中人为设置的batch_size参数决定）--->提取train/val/test_data中的sentences、tags

# 计算batch数
if data['size'] % self.batch_size == 0:
            BATCH_NUM = data['size']//self.batch_size
        else:
            BATCH_NUM = data['size']//self.batch_size + 1


# one pass over data
# 提取一个batch，由batch_size个sentences构成
        for i in range(BATCH_NUM):
            # fetch sentences and tags
            if i * self.batch_size < data['size'] < (i+1) * self.batch_size:
                sentences = [data['data'][idx] for idx in order[i*self.batch_size:]]
                if not interMode:
                    tags = [data['tags'][idx] for idx in order[i*self.batch_size:]]
            else:
                sentences = [data['data'][idx] for idx in order[i*self.batch_size:(i+1)*self.batch_size]]
                if not interMode:
                    tags = [data['tags'][idx] for idx in order[i*self.batch_size:(i+1)*self.batch_size]]

--->计算batch中最大的句子长度--->将数据转换为np矩阵(numpy array)

--->将数据拷贝到另一个np矩阵，使得所有数据的长度与最大句子长度保持一致（即完成了padding）

# prepare a numpy array with the data, initialising the data with pad_idx
            # batch_data的形状为：最长句子长度X最长句子长度(batch_len X batch_len),元素全为0

            batch_data = self.token_pad_idx * np.ones((batch_len, max_subwords_len))
            batch_token_starts = []
            
            # copy the data to the numpy array
            for j in range(batch_len):
                cur_subwords_len = len(sentences[j][0])
                if cur_subwords_len <= max_subwords_len:
                    batch_data[j][:cur_subwords_len] = sentences[j][0]
                else:
                    batch_data[j] = sentences[j][0][:max_subwords_len]
                token_start_idx = sentences[j][-1]
                token_starts = np.zeros(max_subwords_len)
                token_starts[[idx for idx in token_start_idx if idx < max_subwords_len]] = 1
                batch_token_starts.append(token_starts)
                max_token_len = max(int(sum(token_starts)), max_token_len)

--->将所有索引格式的（我理解就是numpy array形式的）数据转换为torch LongTensors

--->返回batch_data, batch_token_starts, batch_tags（这就是用于直接输入模型的数据）