pytorch+huggingface实现基于bert模型的文本分类（附代码）

Posted 2020-12-17 tangjianwei

从RNN到BERT

一年前的这个时候，我逃课了一个星期，从澳洲飞去上海观看电竞比赛，也顺便在上海的一个公司联系了面试。当时，面试官问我对RNN的了解程度，我回答“没有了解”。但我把这个问题带回了学校，从此接触了RNN，以及它的加强版-LSTM。

时隔一年，LSTM好像已经可以退出历史舞台。BERT站在了舞台中间，它可以更快且更好的解决NLP问题。我打算以边学习边分享的方式，用BERT（GTP-2）过一遍常见的NLP问题。这一篇博客是文本分类的baseline system。

BERT

如果你熟悉transformer，相信理解bert对你来说没有任何难度。bert就是encoder的堆叠。

如果你不熟悉transformer，这篇文章是我见过的最棒的transformer图解，可以帮助你理解：http://jalammar.github.io/illustrated-transformer/ 

当然这个作者也做出了很棒的bert图解，链接在此：http://jalammar.github.io/illustrated-bert/

BERT做文本分类

bert是encoder的堆叠。当我们向bert输入一句话，它会对这句话里的每一个词（严格说是token，有时也被称为word piece）进行并列处理，并为每个词输出对应的向量。我们给输入文本的句首添加一个[CLS] token（CLS为classification的缩写），然后我们只考虑这个CLS token的对应输出，用它来做classifier的输入，最终输出具体的分类。

 

 

使用Huggingface

Huggingface可以帮助我们轻易的完成文本分类任务。 

通过它，我们可以轻松的读取预训练语言模型，以及使用它自带的文本分类bert模型-BertForSequenceClassification。

 

 

 

 

 

正式开始解决问题

数据介绍

数据来自Kaggle的competition：Real or Not? NLP with Disaster Tweets  链接：https://www.kaggle.com/c/nlp-getting-started

这是推特的数据集，数据的格式如下：

id	location	keyword	text	target
1	圣地亚哥	大火	圣地亚哥国家公园出现严重森林大火	1
2	硅谷	沙滩	今天在硅谷的沙滩晒太阳真开心	0

 

 

 

 

我们需要做的，就是根据推文的location、keyword 以及 text 来判断这篇推文是否和灾难有关。

它的现实意义在于，如果我们能够根据推文来第一时间发现灾难，有关部门就可以快速做出反应，将灾难的损失降低到最小。就像前段时间温岭油罐车爆炸，群众第一时间就把信息、视频上传到了微博，消防部门可以通过微博获取信息。

探索式资料分析（EDA）与数据清理

在拿到数据后，我们需要进行探索式资料分析。由于这不是本篇博客最重要的部分，这里我只给出大体轮廓和结论。在我的kaggle notebook上有详细的代码及plot。https://www.kaggle.com/jianweitang/nlp-with-disaster-tweets-eda

我们保留keyword这一列，摒弃location这一列。

有标签的训练数据有7613条，无标签的测试数据有3263条

Training Set Shape: (7613, 5)
Test Set Shape: (3263, 4)

对于location这一列，它具有较多的缺失值，并且有非常多的unique values，暂且认为很难将他与灾难直接联系到一起，我们直接把location这一列摒弃。

Number of unique values in keyword = 222 (Training) - 222 (Test)
Number of unique values in location = 3342 (Training) - 1603 (Test)

 

 

 而对于keyword这一列，它的缺失值很少，unique values有222个。同时它与label之间有可见的相关性，有些词只在灾难推文中出现，有些词只在非灾难推文中出现。如下图：

 

标签的分布是均匀的，这意味着我们可以直接把它拿来训练模型

 

 

 

 

 文本清洁

• 去除特殊符号
• 把缩写及网络用语展开，例如把 he‘s 展开为 he is， lmao 展开为 laughing my ass off
• 把hashtags和usernames展开
• 纠正错误拼写

推文错误标记

在数据中我们发现了重复的text被标记成了不同的标签，大概有十几个样本。这些样本可能是有争议，也可能是单纯的标记错误，在这里我们直接删掉这些样本。

 

BERT预处理

import random
import torch
from torch.utils.data import TensorDataset, DataLoader, random_split
from transformers import BertTokenizer
from transformers import BertForSequenceClassification, AdamW
from transformers import get_linear_schedule_with_warmup

seed = 42
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
torch.backends.cudnn.deterministic = True

device = torch.device(‘cuda‘)

 

我们先读取预训练的 bert-base-uncased 模型，用来进行分词，以及词向量转化

# Get text values and labels
text_values = train[‘final_text‘].values
labels = train[‘target‘].values

# Load the pretrained Tokenizer
tokenizer = BertTokenizer.from_pretrained(‘bert-base-uncased‘, do_lower_case=True)　　

 

来用这个tokenizer切分数据里的第一条推文试试看

print(‘Original Text : ‘, text_values[1])
print(‘Tokenized Text: ‘, tokenizer.tokenize(text_values[1]))
print(‘Token IDs     : ‘, tokenizer.convert_tokens_to_ids(tokenizer.tokenize(text_values[1])))

输出：

Original Text :   Forest fire near La Ronge Sask. Canada
Tokenized Text:  [‘forest‘, ‘fire‘, ‘near‘, ‘la‘, ‘ron‘, ‘##ge‘, ‘sas‘, ‘##k‘, ‘.‘, ‘canada‘]
Token IDs     :  [3224, 2543, 2379, 2474, 6902, 3351, 21871, 2243, 1012, 2710]

 

除了分词以外，我们需要给它添加[CLS]和[SEP]，以及[PAD]，其中CLS在句首，SEP在句尾，PAD为统一句子长度的padding。这里看看tokenizer会给他们分别怎样的index。

text = ‘[CLS]‘
print(‘Original Text : ‘, text)
print(‘Tokenized Text: ‘, tokenizer.tokenize(text))
print(‘Token IDs     : ‘, tokenizer.convert_tokens_to_ids(tokenizer.tokenize(text)))
print(‘
‘)

text = ‘[SEP]‘
print(‘Original Text : ‘, text)
print(‘Tokenized Text: ‘, tokenizer.tokenize(text))
print(‘Token IDs     : ‘, tokenizer.convert_tokens_to_ids(tokenizer.tokenize(text)))
print(‘
‘)

text = ‘[PAD]‘
print(‘Original Text : ‘, text)
print(‘Tokenized Text: ‘, tokenizer.tokenize(text))
print(‘Token IDs     : ‘, tokenizer.convert_tokens_to_ids(tokenizer.tokenize(text)))

输出：

Original Text :  [CLS]
Tokenized Text:  [‘[CLS]‘]
Token IDs     :  [101]


Original Text :  [SEP]
Tokenized Text:  [‘[SEP]‘]
Token IDs     :  [102]


Original Text :  [PAD]
Tokenized Text:  [‘[PAD]‘]
Token IDs     :  [0]

实际使用中，我们用tokenizer.encode()这个function来直接把文本转化为token_id 并添加special tokens。

我们定义一个encode_fn把数据集的整个文本都转化为tokens。

# Function to get token ids for a list of texts 
def encode_fn(text_list):
    all_input_ids = []    
    for text in text_values:
        input_ids = tokenizer.encode(
                        text,                      
                        add_special_tokens = True,  # 添加special tokens， 也就是CLS和SEP
                        max_length = 160,           # 设定最大文本长度
                        pad_to_max_length = True,   # pad到最大的长度  
                        return_tensors = ‘pt‘       # 返回的类型为pytorch tensor
                   )
        all_input_ids.append(input_ids)    
    all_input_ids = torch.cat(all_input_ids, dim=0)
    return all_input_ids

all_input_ids = encode_fn(text_values)
labels = torch.tensor(labels)

接下来，我们把数据分为训练集与验证集，并构建dataloader。

epochs = 4
batch_size = 32

# Split data into train and validation
dataset = TensorDataset(all_input_ids, labels)
train_size = int(0.90 * len(dataset))
val_size = len(dataset) - train_size
train_dataset, val_dataset = random_split(dataset, [train_size, val_size])

# Create train and validation dataloaders
train_dataloader = DataLoader(train_dataset, batch_size = batch_size, shuffle = True)
val_dataloader = DataLoader(val_dataset, batch_size = batch_size, shuffle = False)

加载与训练的bert模型， 并定义optimizer与learning rate scheduler

# Load the pretrained BERT model
model = BertForSequenceClassification.from_pretrained(‘bert-base-uncased‘, num_labels=2, output_attentions=False, output_hidden_states=False)
model.cuda()

# create optimizer and learning rate schedule
optimizer = AdamW(model.parameters(), lr=2e-5)
total_steps = len(train_dataloader) * epochs
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps=0, num_training_steps=total_steps)

定义一个计算accuracy的方法，方便在训练的时候print出精确度的变化

from sklearn.metrics import f1_score, accuracy_score

def flat_accuracy(preds, labels):
    
    """A function for calculating accuracy scores"""
    
    pred_flat = np.argmax(preds, axis=1).flatten()
    labels_flat = labels.flatten()
    return accuracy_score(labels_flat, pred_flat)

BERT的训练与验证

for epoch in range(epochs):
    model.train()
    total_loss, total_val_loss = 0, 0
    total_eval_accuracy = 0
    for step, batch in enumerate(train_dataloader):
        model.zero_grad()
        loss, logits = model(batch[0].to(device), token_type_ids=None, attention_mask=(batch[0]>0).to(device), labels=batch[1].to(device))
        total_loss += loss.item()
        loss.backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
        optimizer.step() 
        scheduler.step()
        
    model.eval()
    for i, batch in enumerate(val_dataloader):
        with torch.no_grad():
            loss, logits = model(batch[0].to(device), token_type_ids=None, attention_mask=(batch[0]>0).to(device), labels=batch[1].to(device))
                
            total_val_loss += loss.item()
            
            logits = logits.detach().cpu().numpy()
            label_ids = batch[1].to(‘cpu‘).numpy()
            total_eval_accuracy += flat_accuracy(logits, label_ids)
    
    avg_train_loss = total_loss / len(train_dataloader)
    avg_val_loss = total_val_loss / len(val_dataloader)
    avg_val_accuracy = total_eval_accuracy / len(val_dataloader)
    
    print(f‘Train loss     : {avg_train_loss}‘)
    print(f‘Validation loss: {avg_val_loss}‘)
    print(f‘Accuracy: {avg_val_accuracy:.2f}‘)
    print(‘
‘)

输出：

Train loss     : 0.441781023875452
Validation loss: 0.34831519580135745
Accuracy: 0.86


Train loss     : 0.3275374324204257
Validation loss: 0.3286557973672946
Accuracy: 0.88


Train loss     : 0.2503694619696874
Validation loss: 0.355623895690466
Accuracy: 0.86


Train loss     : 0.19663514375973207
Validation loss: 0.3806843503067891
Accuracy: 0.86

这里比较特别的一点是，即使只有4个epochs，validation loss也是一直在增大的。我看了下其他人使用pytorch和huggingface的训练部分，也存在这个问题，反而使用tensorflow和TFhub的稍微好一点。我猜测这里的原因是过拟合。

 

模型预测

这里与训练类似，把测试集构建为dataloade，然后将预测结果输出到csv文件。到这里整个流程就结束了。

# Create the test data loader
text_values = df_test[‘final_text‘].values
all_input_ids = encode_fn(text_values)
pred_data = TensorDataset(all_input_ids)
pred_dataloader = DataLoader(pred_data, batch_size=batch_size, shuffle=False)

model.eval()
preds = []
for i, (batch,) in enumerate(pred_dataloader):
    with torch.no_grad():
        outputs = model(batch.to(device), token_type_ids=None, attention_mask=(batch>0).to(device))
        logits = outputs[0]
        logits = logits.detach().cpu().numpy()
        preds.append(logits)

final_preds = np.concatenate(preds, axis=0)
final_preds = np.argmax(final_preds, axis=1)　

# Create submission file
submission = pd.DataFrame()
submission[‘id‘] = df_test[‘id‘]
submission[‘target‘] = final_preds
submission.to_csv(‘submission.csv‘, index=False)　

小结

我把预测结果上传后，score是0.83，在kaggle上排名100多。考虑到排名靠前的60位使用的不是NLP方法，他们找到了正确答案并直接上传得到了100%的正确率，我对这个简单模型的结果还是挺满意的。

也希望我对这个学习过程的分享，能够帮助到一同学习NLP的人。