使用BERT预训练模型+微调进行文本分类

 

本文记录使用BERT预训练模型，修改最顶层softmax层，微调几个epoch，进行文本分类任务。

BERT源码

首先BERT源码来自谷歌官方tensorflow版：https://github.com/google-research/bert

注意，这是tensorflow 1.x 版本的。

BERT预训练模型

预训练模型采用哈工大讯飞联合实验室推出的WWM（Whole Word Masking）全词覆盖预训练模型，主要考量是BERT对于中文模型来说，是按照字符进行切割，但是注意到BERT随机mask掉15%的词，这里是完全随机的，对于中文来说，很有可能一个词的某些字被mask掉了，比如说让我预测这样一句话：

原话： ”我今天早上去打羽毛球了，然后又去蒸了桑拿，感觉身心愉悦“

MASK：”我[MASK]天早上去打[MASK]毛球了，然后[MASK]去蒸了[MASK]拿，感觉身心[MASK]悦“

虽然说从统计学意义上来讲这样做依然可以学得其特征，但这样实际上破坏了中文特有的词结构，那么全词覆盖主要就是针对这个问题，提出一种机制保证在MASK的时候要么整个词都不MASK，要么MASK掉整个词。

WWM MASK：”我今天早上去打[MASK][MASK][MASK]了，然后又去蒸了[MASK][MASK]，感觉身心愉悦“

例子可能举得不是很恰当，但大概是这个意思，可以参考这篇文章：

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

修改源码

首先看到下下来的项目结构：

可以看到run_classifier.py文件，这个是我们需要用的。另外，chinese开头的文件是我们的模型地址，data文件是我们的数据地址，这个每个人可以自己设置。

在run_classifier.py文件中，有一个基类DataProcessor类，这个是我们需要继承并重写的:

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

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

　　

可以看到我们需要实现获得训练、验证、测试数据接口，以及获得标签的接口。

这里我自己用的一个类。注释比较详细，就不解释了，主要体现了只要能获得数据，不论我们的文件格式是什么样的，都可以，所以不需要专门为了这个项目去改自己的输入数据格式。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

class StatutesProcessor(DataProcessor):       def _read_txt_(self, data_dir, x_file_name, y_file_name):         # 定义我们的读取方式，我的工程中已经将x文本和y文本分别存入txt文件中，没有分隔符         # 用gfile读取，打开一个没有线程锁的的文件IO Wrapper         # 基本上和python原生的open是一样的，只是在某些方面更高效一点         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             # 规范输入编码             text_a = tokenization.convert_to_unicode(line[0])             label = tokenization.convert_to_unicode(line[1])             # 这里有一些特殊的任务，一般任务直接用上面的就行，下面的label操作可以注释掉             # 这里因为y会有多个标签，这里按单标签来做             label = label.strip().split()[0]               # 这里不做匹配任务，text_b为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             # 规范输入编码             text_a = tokenization.convert_to_unicode(line[0])             label = tokenization.convert_to_unicode(line[1])             label = label.strip().split()[0]               # 这里不做匹配任务，text_b为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             # 规范输入编码             text_a = tokenization.convert_to_unicode(line[0])             label = tokenization.convert_to_unicode(line[1])             label = label.strip().split()[0]               # 这里不做匹配任务，text_b为None             examples.append(                 InputExample(guid=guid, text_a=text_a, label=label)             )         return examples       def get_labels(self):         # 我事先统计了所有出现的y值，放在了vocab_y.txt里         # 因为这里没有原生的接口，这里暂时这么做了，只要保证能读到所有的类别就行了         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

　　

写好了之后需要更新一下processors列表，在main函数中，最下面一条就是我新加的。

 

执行训练微调

?

1

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，写在一行，这个会有很多小问题，在centos服务器上如果不能按上返回上一条命令，将会很痛苦。。具体参数含义就和参数名是一致的，不需要解释。

另外，可以稍稍修改一些东西来动态输入训练集上的loss，因为BERT源码封装的太高了，所以只能按照这篇文章：https://www.cnblogs.com/jiangxinyang/p/10241243.html里面讲的方法，每100个step输出一次train loss（就是100个batch），这样做虽然意义不大，但是可以看在你的数据集上模型是不是在收敛，方便调整学习率。

在测试集上进行测试

默认test_batch_size = 8

?

1	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，调用测试接口会在out路径中生成一个test_results.tsv，这是一个以’\t’为分隔符的文件，记录了每一条输入测试样例，输出的每一个维度的值（维度数就是类别数目），需要手动做一点操作来得到最终分类结果，以及计算指标等等。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

# 计算测试结果 # 因为原生的predict生成一个test_results.tsv文件，给出了每一个sample的每一个维度的值 # 却并没有给出具体的类别预测以及指标，这里再对这个“中间结果手动转化一下”     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 = []       # 这一步是获取y标签到id，id到标签的对应dict，每个人获取的方式应该不一致     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:             # 这里因为y有多个标签，我要取第一个标签，所以要单独做操作             label = line.strip().split()[0]             labels.append(y2id[label])             line = f.readline()     labels = np.asarray(labels)       # 预测，pred，真实标签，labels     accuracy = metrics.accuracy_score(y_true=labels, y_pred=pred)     # 这里只举例了accuracy，其他的指标也类似计算     print(accuracy)     def get_y_to_id(vocab_y_dir):     # 这里把所有的y标签值存在了文件中     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

　　

这部分代码在classifier/cal_test_matrix.py中。

我的代码地址：

点击这里

 

参考：

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