NLP（十九）首次使用BERT的可视化指导

Posted 2021-03-10 jclian91

??本文（部分内容）翻译自文章A Visual Guide to Using BERT for the First Time，其作者为Jay Alammar，访问网址为：http://jalammar.github.io/a-visual-guide-to-using-bert-for-the-first-time/ ，可以作为那些不熟悉BERT的读者首次阅读。文章中如有翻译不当之处，还请批评指正。

??本文是关于如何使用BERT的变异版本来进行句子分类的简单教程。该例子足够简单，因此可以作为首次使用BERT的介绍，当然，它也包含了一些关键性的概念。

数据集：SST2

??本文中使用的数据集为SST2，它包含了电影评论的句子，每一句带有一个标签，或者标注为正面情感（取值为1），或者标注为负面情感（取值为0）。

模型：句子情感分类

??我们的目标是创建一个模型，它能够处理一个句子（就行我们数据集中的句子那样）并且输出1（表明该句子具有正面情感）或者0（表明该句子具有负面情感）。我们设想它长这样：

事实上，该模型包含两个模型：

• DistillBERT会处理句子并把它提取后的信息传递给下一个模型。DistillBERT是BERT的变异版本，由HuggingFace小组开发和开源。它是BERT的更轻量、更快速的版本，同时它的表现基本与BERT相近。
• 下一个模型，从scikit learn中导入的一个基本的逻辑回归模型（Logistic Regression model），它会利用 DistillBERT的处理结果，然后将句子进行分类成正面情感或者负面情感（分别为1或者0）。

在两个模型之间传递的数据为1个768维的向量。我们可以把这个向量理解为这个句子的嵌入向量（Embedding Vector），用于分类。

模型训练

??尽管我们用了两个模型，但是我们只会训练逻辑回归模型。对于DistillBERT，我们会使用已经预训练好的英语模型。该模型，既不会被训练也不会做微调（fine-tuned），直接进行句子分类。这是因为，我们可以从BERT中获得句子分类的能力。这尤其适合BERT输出的第一个位置（跟[CLS]标志相关）。我相信这是由于BERT的第二个训练模型——下一句分类（Next sentence classification）。该模型的目标在于封装句子级别的语料进行训练，并输出第一个位置。transformers库已经提供了DistillBERT的操作，作为其预训练模型版本。

教程总览

??以下是该教程的计划安排。首先我们会使用DistillBERT来产生2000个句子的句子向量。

这一步之后我们不会接触DistillBERT。接下去只是Scikit Learn的操作。我们将数据集分为训练集和测试集。

接下来我们在训练集上使用逻辑回归模型进行训练。

单次预测如何计算

??在我们讲解代码和解释如何训练模型之前，让我们看一下已预训练好的模型如何进行预测。
??我们尝试着预测句子“a visually stunning rumination on love”。第一步是使用BERT tokenizer 将句子划分成tokens。然后加上句子分类的特殊tokens（[CLS]在开始位置，[SEP]在句子结尾）。

第三步是通过已预训练好的模型的嵌入表（embedding table）将每一个tokens映射成各自的id。这一步可以参考word embedding，参考阅读文章The Illustrated Word2vec。

我们注意到，tokenizer仅需要一行代码就能完成以上步骤。

tokenizer.encode("a visually stunning rumination on love", add_special_tokens=True)

我们的输入句子现在已经处理成DistilBERT可以处理的格式了。
如果你已经读过Illustrated BERT，那么这一步的可视化如下：

DistilBERT处理流程

??DistilBERT处理输入向量的流程类似于BERT。输出是每一个token对应一个向量。每个向量由768个浮点型数字组成。

因为这是一个句子分类任务，故我们忽略其他向量而只取第一个向量（跟[CLS]相关的那个）。这个向量我们会作为逻辑回归模型的输入。

??从这里开始，就是逻辑回归模型的事儿了，它负责将输入的向量进行分类。我们设想一个预测的流程长这样：

代码

??文章中用到的数据集下载网址为：https://github.com/clairett/pytorch-sentiment-classification/raw/master/data/SST2/train.tsv。下载DistillBERT模型文件，网址为：https://www.kaggle.com/abhishek/distilbertbaseuncased 。
??原文中这部分的代码讲解比较多，我这边忽略过去了，笔者想按自己的思路来处理，因此这部分内容会有调整。完整的思路如下：
??下载数据集和模型文件，与代码放在同一目录下。建立jupyter脚本，先载入必要的模块：

??接着我们利用pandas读取训练集数据，并统计标签值的频数：

??读取DistillBERT模型文件并创建tokenizer：

??通过tokenizer完成句子切分成tokens，并映射到id:

??由于每个句子的长度可能会不同，因此需要对句子进行填充（Padding），保持每个句子的输入维度一致，句子填充的长度为该数据集中句子长度的最大值。

??对句子进行填充后，然后再进行Masking。这是因为如果我们直接将padded传入BERT，这会造成一定的困扰。我们需要创建另一个变量，来告诉模型去mask之前的填充结果。这就是attention_mask的作用：

??我们的输入已经准备完毕，接下来我们尝试着用DistillBERT来获取向量，也就是之前说的第一步。这一步的处理结果会返回last_hidden_states，而我们的分类模型只需要获取[CLS]这个token对应的输出向量。

可视化的操作说明如下图：

??这样，我们就把之前的每一个句子映射成了1个768维的句子向量，然后就利用逻辑回归模型直接进行训练就可以了。

??最后，我们来看一下这个模型在测试集上的效果：

总结

??本文主要介绍了如何利用DistillBERT和已经封装好的transformers模块，结合逻辑回归模型对英文句子进行文本二分类。后续笔者还会研究在中文上的文本分类以及如何进行微调（Fine_tuning）。
??本项目的Gitlab地址为：https://gitlab.com/jclian91/sentence_classify_using_distillBERT_LR，原文章作者的Github地址为https://github.com/jalammar/jalammar.github.io/blob/master/notebooks/bert/A_Visual_Notebook_to_Using_BERT_for_the_First_Time.ipynb 。
??感谢大家阅读~