学习笔记：深度学习——基于PyTorch的BERT应用实践

Posted 2022-05-02 新四石路打卤面

学习时间：2022.04.26~2022.04.30

文章目录

• 7. 基于PyTorch的BERT应用实践
• • 7.1 工具选取
  • 7.2 文本预处理
  • 7.3 使用BERT模型
  • • 7.3.1 数据输入及应用预处理
    • 7.3.2 提取词向量
    • 7.3.3 网络建模
    • 7.3.4 参数准备
    • 7.3.5 模型训练

7. 基于PyTorch的BERT应用实践

本节着重于将BERT模型应用到具体的实践当中，因此未来有很多可以优化的地方，比如自己重写dataset和dataloader方法，这样对于pytorch应该能有更好地、更灵活的运用。

7.1 工具选取

使用PyTorch框架应用Bert，一般是去Hugging Face （一个社区，有很多人会把训练好了的模型放在上面，可以支持PyTorch和Tenserflow）上，把Bert模型下载下来，然后再应用。

在应用具体模型之前，需要先安装一下Hugging Face提供的transformers库，因为它上面的模型都是基于这个transformers库来编写的，即使下载了模型也要通过这个库来使用。（这个是必要的）

pip install transformers

此外，数据处理部分，如果不想自己重写dataset和dataloader方法的话，Hugging Face也提供了datasets库，可以通过pip install datasets来进行安装和使用。（这个是可选的）

这两个库的使用方法，可以直接去官网查看使用文档，我觉得还是相对来说比较详细了（见Transformers和Datasets）。

此外，自己这次使用的数据集也是来自Kaggle：Quora Insincere Questions Classification | Kaggle。

7.2 文本预处理

这一部分主要参考了Kaggle上大神的代码，然后汇总了一下装进一个函数里了。以下简单举例：

1. 将一些表情符号、html网址、email ids、urls全都清除：

def clean_data(data):
    punct_tag = re.compile(r'[^\\w\\s]')
    data = punct_tag.sub(r'', data)
    html_tag = re.compile(r'<.*?>')
    data = html_tag.sub(r'', data)
    url_clean = re.compile(r"https://\\S+|www\\.\\S+")
    data = url_clean.sub(r'', data)
    emoji_clean = re.compile("["
                             u"\\U0001F600-\\U0001F64F"  # emoticons
                             u"\\U0001F300-\\U0001F5FF"  # symbols & pictographs
                             u"\\U0001F680-\\U0001F6FF"  # transport & map symbols
                             u"\\U0001F1E0-\\U0001F1FF"  # flags (ios)
                             u"\\U00002702-\\U000027B0"
                             u"\\U000024C2-\\U0001F251"
                             "]+", flags=re.UNICODE)
    data = emoji_clean.sub(r'', data)
    url_clean = re.compile(r"https://\\S+|www\\.\\S+")
    data = url_clean.sub(r'', data)
    return data

2. 清除所有格：

def strip_possessives(text):
    text = text.replace("'s", '')
    text = text.replace('’s', '')
    text = text.replace("\\'s", '')
    text = text.replace("\\’s", '')
    return text

3. 将数字替换成##：

def clean_numbers(x):
    x = re.sub("[0-9]5,", '#####', x)
    x = re.sub("[0-9]4", '####', x)
    x = re.sub("[0-9]3", '###', x)
    x = re.sub("[0-9]2", '##', x)
    return x

……

最后通过一个函数全部调用：

def texts_preprogress(df):
    # 应用之前所有的预处理步骤
    df = df.apply(lambda x: clean_data(x))
    df = df.apply(lambda x: expand_contractions(x))
    df = df.apply(lambda x: replace_typical_misspell(x))
    df = df.apply(lambda x: strip_possessives(x))
    df = df.apply(lambda x: replace_multi_exclamation_mark(x))
    df = df.apply(lambda x: clean_text(x))
    df = df.apply(lambda x: change_stopwords(x))
    df = df.apply(lambda x: clean_numbers(x))
    return df

7.3 使用BERT模型

整个使用分为5部分：数据输入及应用预处理、提取词向量、构建网络模型（嵌入BERT）、参数准备和模型训练。

个人本次使用的是bert-base-uncased模型。

7.3.1 数据输入及应用预处理

# 确定设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)
# 导入文件并进行文本预处理
train_df = pd.read_csv('train.csv', nrows=540)
train_df['question_text'] = texts_preprogress(train_df['question_text'])
eval_df = pd.read_csv('train.csv', nrows=675)[540:675]
eval_df['question_text'] = texts_preprogress(eval_df['question_text'])

7.3.2 提取词向量

⭐这里值得特别特别特别提一下的是：tokenizer函数中的padding参数。

padding=True等价于padding='max_length'，只对于句子对任务起作用，会一样自动补全到batch中的最长长度；但是！！！对于单句的任务，两者并不等价！！！这也是我一开始设置了padding=True，然后指定max_length=72，最后输出的句子却依然长短不一，然后输不进网络的原因。

所以对于单句任务，一定要先指定padding='max_length'，然后再设置max_length= ，这样才会真正补全。

# 导入分词器
tokenizer = AutoTokenizer.from_pretrained('D:/Py-project/models/huggingface/bert-base-uncased/')


# 定义token函数
def tokenize_function(examples):
    return tokenizer(examples['question_text'], padding='max_length', max_length=72, truncation=True)
    # padding='max_length'填充批处理中较短的序列以匹配最长的序列（太坑了！！！！）；truncation=True将序列截断为模型接受的最大长度


# 定义处理标签及id列的函数
def batch_label(df):
    df = df.drop('qid', axis=1)
    dataset = Dataset.from_pandas(df)
    for k in dataset.column_names:
        if k == 'target':
            dataset = dataset.rename_column(k, 'labels')
    inputs = dataset.map(tokenize_function, batched=True)  # 分词并输出词向量；batched=True开启批次输入
    inputs.set_format(type='torch')  # 词向量转为tensor
    inputs = inputs.remove_columns('question_text')  # 删除文本列，因为模型不接受原始文本作为输入
    dataloader = DataLoader(inputs, shuffle=True, batch_size=128)  # 创建成DataLoader
    return dataloader


train_dl = batch_label(train_df)
eval_dl = batch_label(eval_df)

7.3.3 网络建模

其实Bert也有直接提供一个训练好的bertclassification模型，但只能直接调用，不太好嵌入到网络，所以这里只用了bert模型，然后嵌入到了网络里面。

class my_bert(nn.Module):
    def __init__(self):
        super(my_bert, self).__init__()

        # Bert模型需要嵌入到网络中
        self.bert = BertModel.from_pretrained("D:/Py-project/models/huggingface/bert-base-uncased")
        # 将Bert模型的参数设置为可以更新
        for param in self.bert.parameters():
            param.requires_grad = True
        self.linear = torch.nn.Linear(768, 2)
        self.dropout = torch.nn.Dropout(0.5)

    def forward(self, x):

        input_ids = x['input_ids'].to(device)
        token_type_ids = x['token_type_ids'].to(device)
        attention_mask = x['attention_mask'].to(device)

        output = self.bert(input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids)
        output = output['pooler_output']  # bert的输出有4个，这个任务仅需要1个
        output = self.linear(output)
        output = self.dropout(output)
        output = torch.sigmoid(output)
        return output

7.3.4 参数准备

# 设置随机数种子，保证结果可复现
seed = 42
if device == 'cuda':
    torch.cuda.manual_seed(seed)
else:
    torch.manual_seed(seed)

# 实例化模型
model = my_bert()
model.to(device)

# 设置参数
lr = 2e-5
epoch = 2
show_step = 1
optimizer = optim.AdamW(model.parameters(), lr=lr)
criterion = nn.CrossEntropyLoss()

7.3.5 模型训练

这里只涉及到一个小问题：如果数据集太大了，基本都需要转成dataloader后再分批输入网络进行训练和验证。

for i in range(epoch):
    model.train()
    losses = []
    accuracy = []
    start_time = time.time()

    for batch in tqdm(train_dl, desc=f'第i+1/epoch次迭代进度', ncols=100):
        pred = model(batch)  # 正向传播
        label = batch['labels'].to(device)
        loss = criterion(pred, label)  # 计算损失函数

        # 存入准确率和loss
        losses.append(loss.item())
        pred_labels = torch.argmax(pred, dim=1)
        acc = torch.sum(pred_labels == label).item() / len(pred_labels)
        accuracy.append(acc)

        optimizer.zero_grad()  # 优化器的梯度清零
        loss.backward()  # 反向传播
        optimizer.step()  # 参数更新

    # 测试集评估
    if i % show_step == 0:  # 控制输出间隔
        model.eval()
        ev_losses = []
        ev_acc = []
        with torch.no_grad():
            for batch in eval_dl:
                ev_pred = model(batch)
                ev_label = batch['labels'].to(device)
                ev_loss = criterion(ev_pred, ev_label)

                # 存入准确率和loss
                ev_losses.append(ev_loss.item())
                pred_labels = torch.argmax(ev_pred, dim=1)
                acc = torch.sum(pred_labels == ev_label).item() / len(pred_labels)
                ev_acc.append(acc)

        elapsed_time = time.time() - start_time
        print("\\nEpoch: /: ".format(i+1, epoch),
              "Accuracy: :.6f; ".format(np.mean(accuracy)),
              "Val Accuracy: :.6f; ".format(np.mean(ev_acc)),
              "Loss: :.6f; ".format(np.mean(losses)),
              "Val Loss: :.6f; ".format(np.mean(ev_losses)),
              'Time: :.2fs'.format(elapsed_time))

以上就是本人的bert第一次尝试的大部分内容了，之后应该会去试试ALBERT和RoBERTa，然后也会尝试自己重写下datasets和dataloader。未来继续加油！