Bert实战：使用Bert实现文本分类。

Posted 2021-11-23 AI浩

1、简介

最近使用Bert实现了文本分类，模型使用的是bert的base版本。本文记录一下实现过程。

数据集：cnews，包含三个文件，分别是cnews.train.txt、cnews.test.txt、cnews.val.txt。类别包含10类，分别是：体育、娱乐、家居、房产、教育、时尚、时政、游戏、科技、财经。

代码参考：https://github.com/BeHappyForMe/Multi_Model_Classification，对代码的一些部分作了修改和注解。关注公众号“AI小浩”，回复“bert实战”，获取代码和数据集。

2、下载代码和数据集

数据集的地址：

链接：https://pan.baidu.com/s/1JKiaexp0oQeJF02UUX5eSw
提取码：2222

下载代码后，将代码解压到指定的目录，让后将数据集放进去。删除其他的模型只保留bert的。如下图：

3、下载预训练模型。

链接：bert-base-chinese at main (huggingface.co)，将下图中，画红框的文件下载下来。在项目的根目录新建chinese_wwm_pytorch文件夹，将下载的文件放进去。

新建outs文件夹，将config.json、tokenizer.json、tokenizer_config.json和vocab.txt复制到outs文件夹中。

注：模型的类型在configuration_bert.py中查看。选择合适的模型很重要，比如这次是中文文本的分类。选择用bert-base-uncased只能得到86%的准确率，但是选用bert-base-chinese就可以轻松达到96%。

4、修改bert_cnews.py代码

对68行的代码做修改。原始代码如下：

ALL_MODELS = sum((tuple(conf.pretrained_config_archive_map.keys()) for conf in (BertConfig, XLNetConfig, XLMConfig,
                                                                                RobertaConfig, DistilBertConfig)), ())

修改为：

ALL_MODELS=tuple(BERT_PRETRAINED_CONFIG_ARCHIVE_MAP)

作者想把BertConfig、XLNetConfig、XLMConfig、RobertaConfig, DistilBertConfig等都导进来。可能是版本的升级pretrained_config_archive_map这个字段做了修改，以Bert为例，这个字段改为了‘BERT_PRETRAINED_CONFIG_ARCHIVE_MAP’。本次案例只是对Bert的讲解，所以我只保留了Bert的字段。

5、修改main()方法中的参数。

data_dir：数据集的路径，改为“./cnews”。

  parser.add_argument("--data_dir", default='./cnews', type=str, required=False,
                        help="The input data dir. Should contain the .tsv files (or other data files) for the task.")

model_type：模型的类型，MODEL_CLASSES的参数，本次使用bert。

  parser.add_argument("--model_type", default='bert', type=str, required=False,
                        help="Model type selected in the list: " + ", ".join(MODEL_CLASSES.keys()))

model_name_or_path：预训练模型的存放路径，设置为‘chinese_wwm_pytorch’。

    parser.add_argument("--model_name_or_path", default='chinese_wwm_pytorch', type=str, required=False,
                        help="Path to pre-trained model or shortcut name selected in the list: " + ", ".join(
                            ALL_MODELS))

这个文件下面的文件详见下图：

task_name：任务名称。我写的cnews

 parser.add_argument("--task_name", default='cnews', type=str, required=False,
                        help="The name of the task to train selected in the list: " + ", ".join(processors.keys()))

do_train：是否训练。需要训练则设置为true。

    parser.add_argument("--do_train", default=True,action='store_true',
                        help="Whether to run training.")

do_eval：是否验证，如果设置为true，则将outs的模型一一验证。和do_train可以同时配置为true，这样训练完成后就开始验证。

 parser.add_argument("--do_eval",default=True, action='store_true',
                        help="Whether to run eval on the dev set.")

evaluate_during_training：是否在训练期间验证。默认没有配置。如果需要配置，则将其设置为true。

parser.add_argument("--evaluate_during_training", action='store_true',
                    help="Rul evaluation during training at each logging step.")

do_lower_case：是否转小写。使用uncased模型时需要设置。

 parser.add_argument("--do_lower_case",action='store_true',
                        help="Set this flag if you are using an uncased model.")

per_gpu_train_batch_size和per_gpu_eval_batch_size：batch_size大小，根据显卡合理设置。

 parser.add_argument("--per_gpu_train_batch_size", default=4, type=int,
                        help="Batch size per GPU/CPU for training.")
    parser.add_argument("--per_gpu_eval_batch_size", default=4, type=int,
                        help="Batch size per GPU/CPU for evaluation.")

learning_rate：学习率，默认设置即可。

parser.add_argument("--learning_rate", default=2e-5, type=float,
                        help="The initial learning rate for Adam.")
    parser.add_argument("--weight_decay", default=0.0, type=float,

num_train_epochs：epochs大小。

 parser.add_argument("--num_train_epochs", default=50.0, type=float,
                        help="Total number of training epochs to perform.")

save_steps：迭代多少次保存一次模型。

 parser.add_argument('--save_steps', type=int, default=12500,
                        help="Save checkpoint every X updates steps.")

上面的参数是比较重要的参数，将这些参数配置好可以训练了。

5、验证

验证还有一步要做，config.json、tokenizer.json、tokenizer_config.json、vocab.txt。复制一份到outs文件夹。

等训练完成就可以测试了。

关注公众号“AI小浩”，回复‘bert分类’，获取代码、模型和数据。