训练 BERT 模型并使用 BERT 嵌入

Posted 2023-03-29

【中文标题】训练 BERT 模型并使用 BERT 嵌入

【英文标题】：Training a BERT model and using the BERT embeddings

【发布时间】：2020-12-08 02:46:28

【问题描述】：

我一直在阅读有关 BERT 的信息，并将 BERT 嵌入用于分类任务。我已经阅读了很多文章，但我对它的理解仍然不是 100%（我自学了 NLP，所以我对资源的访问可能会受到一些限制）。首先，我将描述我的任务。

我计划使用 BERT 嵌入进行分类，因为它封装了含义和语言。不幸的是，我的语言（爱尔兰语）没有 BERT 模型，所以我考虑训练自己的模型。我知道 BERT 基本上是 Transformer Encoder 的“扩展”。

这是我的问题/疑问：

我认为这很明显，但要检查一下，预训练的 BERT 嵌入不能应用于不同的语言（标准嵌入模型是在英语的 wiki 数据集上训练的，我认为它可能不适用于其他语言明显的原因）？

我的数据集包含大约 850k 的爱尔兰语句子（大约 2200 万字）。这足以训练一个像样的 BERT 模型吗？我可以找到更多数据，但要在爱尔兰语中获得更多数据会非常困难。

是否会建议在 PyTorch 或 TensorFlow 中“从头开始”制作 BERT 模型，或者 Fairseq 和 OpenNMT 之类的模型好用吗？

对于这样一个不连贯的问题，我深表歉意，但总而言之，我到处都在试图完全理解 BERT，特别是训练过程和仅针对嵌入进行调整。如果这一切都错了，或者只是有建议，我将不胜感激。

【问题讨论】：

通常不建议从头开始训练 Bert，因为它需要一些相当大的资源，除非你想等待数年才能结束训练。您是否研究过多语言模型？

@N.Kiefer 是的，正如我发布的那样，我直接从 BERT github repo 中遇到了这样的模型。我将尝试使用这些并四处寻找其他人。只是问一下，你知道其他多语言模型吗？

鉴于您使用 python，您知道transformers 包吗？它还有社区训练的模型here。

【参考方案1】：

我和你一样，是 NLP 的自知老师。由于您还没有开始（您将拥有如此安静的旅程，不是吗？），我建议您在 tensorflow 库中查看此项目，因为它来自 Google，您将可以更好地访问它的所有内容权力（只是我的看法）：

首先，您需要一个词汇文件来进行标记：它是一个文件 (txt)，其中包含固定大小的字符串，每行一个。 BERT 使用大约 30.000，因此也要考虑您的数字（数字越大并不意味着精度越高）。 This tutorial of tokenization will help you

如果您对变压器的工作原理有浓厚的兴趣，then check out this one in addition

在从头训练一个新的BERT 模型方面，看看这个问题： Can you train a BERT model from scratch with task specific architecture?

您需要一台功能非常强大的计算机才能执行此操作。如果没有，你会有很多内存问题。另一方面，Tensorflow 允许你训练它的hub 模型（预处理和编码器），所以我认为没有必要重新发明***。为此，请使用tensorflow_hub（也安装tensorflow_text，因为我认为您会遇到依赖错误）。我让你在这里the link for tfdev hub of each preprocessing and encoder models of BERT（如果你下载一个，在资产文件夹中你会找到词汇文件）。

850K 句子和 22M 单词可能比原始 BERT 中使用的数据少。如果您的项目只是出于好奇，那么它就足够大了。

希望我对你有所帮助！祝你好运

PD：我也开始使用BERT。你的问题是从去年八月开始的，所以我认为你已经取得了一些进展。我会很感激并有兴趣阅读它！

【参考方案2】：

虽然不在问题的标题中，但您的问题似乎是如何获得爱尔兰语的 BERT 模型。现在提供三种单语爱尔兰语 BERT 模型：

自 2020 年 5 月起，wikibert-ga 接受了爱尔兰***的培训（约 70 万句）。 自2020年8月起，有BERTreach。模型卡说它接受了 4700 万个标记（210 万个句子）的训练，包括爱尔兰语的 PARSEME 口头多词表达语料库，大概使用了未注释的原始部分。此外，他们使用Corpus Crawler 和一个小型语料库，大概来自https://wortschatz.uni-leipzig.de/en/download/Irish（模型卡中的链接不起作用）。 自 2021 年 7 月以来，gaBERT 接受了 790 万个句子的训练，包括不可免费获得的语料库。 （数据源之间存在一些重叠。仅计算明显不相交的源，至少有 470 万句。）

此外，您可能会对多语言 LaBSE 模型感兴趣，因为它经过专门训练可以对句子的含义进行编码。

免责声明：我是 gaBERT 论文的合著者。