使用自定义 X 和 Y 数据训练 TFBertForSequenceClassification
Posted
技术标签:
【中文标题】使用自定义 X 和 Y 数据训练 TFBertForSequenceClassification【英文标题】:Training TFBertForSequenceClassification with custom X and Y data 【发布时间】:2020-06-13 06:32:16 【问题描述】:我正在处理一个 TextClassification 问题,为此我正在尝试在 huggingface-transformers 库中给出的 TFBertForSequenceClassification 上训练我的模型。
我按照他们github 页面上给出的示例进行操作,我可以使用tensorflow_datasets.load('glue/mrpc')
运行带有给定示例数据的示例代码。
但是,我找不到有关如何加载我自己的自定义数据并将其传入的示例
model.fit(train_dataset, epochs=2, steps_per_epoch=115, validation_data=valid_dataset, validation_steps=7)
。
如何定义我自己的 X,对我的 X 进行标记化并使用我的 X 和 Y 准备 train_dataset。其中 X 代表我的输入文本,Y 代表给定 X 的分类类别。
样本训练数据框:
text category_index
0 Assorted Print Joggers - Pack of 2 ,/ Gray Pri... 0
1 "Buckle" ( Matt ) for 35 mm Width Belt 0
2 (Gagam 07) Barcelona Football Jersey Home 17 1... 2
3 (Pack of 3 Pair) Flocklined Reusable Rubber Ha... 1
4 (Summer special Offer)Firststep new born baby ... 0
【问题讨论】:
【参考方案1】:HuggingFace
带有自定义数据集文件的转换器的好例子确实不多。
让我们先导入所需的库:
import numpy as np
import pandas as pd
import sklearn.model_selection as ms
import sklearn.preprocessing as p
import tensorflow as tf
import transformers as trfs
并定义所需的常量:
# Max length of encoded string(including special tokens such as [CLS] and [SEP]):
MAX_SEQUENCE_LENGTH = 64
# Standard BERT model with lowercase chars only:
PRETRAINED_MODEL_NAME = 'bert-base-uncased'
# Batch size for fitting:
BATCH_SIZE = 16
# Number of epochs:
EPOCHS=5
现在是时候读取数据集了:
df = pd.read_csv('data.csv')
然后从预训练的 BERT 中定义所需的模型进行序列分类:
def create_model(max_sequence, model_name, num_labels):
bert_model = trfs.TFBertForSequenceClassification.from_pretrained(model_name, num_labels=num_labels)
# This is the input for the tokens themselves(words from the dataset after encoding):
input_ids = tf.keras.layers.Input(shape=(max_sequence,), dtype=tf.int32, name='input_ids')
# attention_mask - is a binary mask which tells BERT which tokens to attend and which not to attend.
# Encoder will add the 0 tokens to the some sequence which smaller than MAX_SEQUENCE_LENGTH,
# and attention_mask, in this case, tells BERT where is the token from the original data and where is 0 pad token:
attention_mask = tf.keras.layers.Input((max_sequence,), dtype=tf.int32, name='attention_mask')
# Use previous inputs as BERT inputs:
output = bert_model([input_ids, attention_mask])[0]
# We can also add dropout as regularization technique:
#output = tf.keras.layers.Dropout(rate=0.15)(output)
# Provide number of classes to the final layer:
output = tf.keras.layers.Dense(num_labels, activation='softmax')(output)
# Final model:
model = tf.keras.models.Model(inputs=[input_ids, attention_mask], outputs=output)
return model
现在我们需要使用定义的函数来实例化模型,并编译我们的模型:
model = create_model(MAX_SEQUENCE_LENGTH, PRETRAINED_MODEL_NAME, df.target.nunique())
opt = tf.keras.optimizers.Adam(learning_rate=3e-5)
model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])
为标记化创建一个函数(将文本转换为标记):
def batch_encode(X, tokenizer):
return tokenizer.batch_encode_plus(
X,
max_length=MAX_SEQUENCE_LENGTH, # set the length of the sequences
add_special_tokens=True, # add [CLS] and [SEP] tokens
return_attention_mask=True,
return_token_type_ids=False, # not needed for this type of ML task
pad_to_max_length=True, # add 0 pad tokens to the sequences less than max_length
return_tensors='tf'
)
加载分词器:
tokenizer = trfs.BertTokenizer.from_pretrained(PRETRAINED_MODEL_NAME)
将数据拆分为训练和验证部分:
X_train, X_val, y_train, y_val = ms.train_test_split(df.text.values, df.category_index.values, test_size=0.2)
编码我们的集合:
X_train = batch_encode(X_train)
X_val = batch_encode(X_val)
最后,我们可以使用训练集拟合我们的模型,并在每个 epoch 之后使用验证集进行验证:
model.fit(
x=X_train.values(),
y=y_train,
validation_data=(X_val.values(), y_val),
epochs=EPOCHS,
batch_size=BATCH_SIZE
)
【讨论】:
这是一种出色的方法,它简化了为 Bert 转换器使用自定义数据集的过程。出色的帖子和工作 - 谢谢!【参考方案2】:微调方法
有多种方法可以针对目标任务微调 BERT。
-
进一步预训练基础 BERT 模型
可训练的基础 BERT 模型之上的自定义分类层
基础 BERT 模型之上的自定义分类层不可训练(冻结)
请注意,BERT 基础模型仅针对原始论文中的两个任务进行了预训练。
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding3.1 预训练 BERT ...我们使用两个无监督任务预训练 BERT
任务 #1:蒙面 LM 任务 #2:下一句预测 (NSP)
因此,基本 BERT 模型就像半生不熟,可以针对目标域完全烘焙(第一种方式)。我们可以将它作为我们自定义模型训练的一部分,使用基础可训练(第 2 次)或不可训练(第 3 次)。
第一种方法
How to Fine-Tune BERT for Text Classification? 演示了进一步预训练的第一种方法,并指出学习率是避免灾难性遗忘的关键,在学习新知识的过程中预训练的知识会被擦除。
我们发现较低的学习率,例如 2e-5, 是使 BERT 克服灾难性遗忘问题所必需的。在 4e-4 的激进学习率下,训练集无法收敛。
这可能是BERT paper 使用 5e-5、4e-5、3e-5 和 2e-5 进行微调的原因。
对于所有 GLUE 任务,我们使用 32 的批量大小并在数据上微调 3 个 epoch。对于每个任务,我们在开发集上选择了最佳微调学习率(在 5e-5、4e-5、3e-5 和 2e-5 中)
请注意,基础模型预训练本身使用了更高的学习率。
bert-base-uncased - pretraining该模型在 Pod 配置中的 4 个云 TPU(总共 16 个 TPU 芯片)上进行了 100 万步的训练,批量大小为 256。序列长度限制为 90% 的步骤的 128 个标记,其余步骤的 512 个10%。使用的优化器是 Adam,学习率为
1e-4
,β1=0.9
和 β2=0.999
,权重衰减为0.01
,学习率预热 10,000 步,之后学习率线性衰减。
将在下面将第 1 种方法描述为第 3 种方法的一部分。
仅供参考:
TFDistilBertModel 是名称为distilbert
的裸基础模型。
Model: "tf_distil_bert_model_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
distilbert (TFDistilBertMain multiple 66362880
=================================================================
Total params: 66,362,880
Trainable params: 66,362,880
Non-trainable params: 0
第二种方法
Huggingface 采用第二种方法,如 Fine-tuning with native PyTorch/TensorFlow,其中 TFDistilBertForSequenceClassification
在可训练的基础 distilbert
模型之上添加了自定义分类层 classifier
。小的学习率要求也将适用,以避免灾难性的遗忘。
from transformers import TFDistilBertForSequenceClassification
model = TFDistilBertForSequenceClassification.from_pretrained('distilbert-base-uncased')
optimizer = tf.keras.optimizers.Adam(learning_rate=5e-5)
model.compile(optimizer=optimizer, loss=model.compute_loss) # can also use any keras loss fn
model.fit(train_dataset.shuffle(1000).batch(16), epochs=3, batch_size=16)
Model: "tf_distil_bert_for_sequence_classification_2"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
distilbert (TFDistilBertMain multiple 66362880
_________________________________________________________________
pre_classifier (Dense) multiple 590592
_________________________________________________________________
classifier (Dense) multiple 1538
_________________________________________________________________
dropout_59 (Dropout) multiple 0
=================================================================
Total params: 66,955,010
Trainable params: 66,955,010 <--- All parameters are trainable
Non-trainable params: 0
第二种方法的实现
import pandas as pd
import tensorflow as tf
from sklearn.model_selection import train_test_split
from transformers import (
DistilBertTokenizerFast,
TFDistilBertForSequenceClassification,
)
DATA_COLUMN = 'text'
LABEL_COLUMN = 'category_index'
MAX_SEQUENCE_LENGTH = 512
LEARNING_RATE = 5e-5
BATCH_SIZE = 16
NUM_EPOCHS = 3
# --------------------------------------------------------------------------------
# Tokenizer
# --------------------------------------------------------------------------------
tokenizer = DistilBertTokenizerFast.from_pretrained('distilbert-base-uncased')
def tokenize(sentences, max_length=MAX_SEQUENCE_LENGTH, padding='max_length'):
"""Tokenize using the Huggingface tokenizer
Args:
sentences: String or list of string to tokenize
padding: Padding method ['do_not_pad'|'longest'|'max_length']
"""
return tokenizer(
sentences,
truncation=True,
padding=padding,
max_length=max_length,
return_tensors="tf"
)
# --------------------------------------------------------------------------------
# Load data
# --------------------------------------------------------------------------------
raw_train = pd.read_csv("./train.csv")
train_data, validation_data, train_label, validation_label = train_test_split(
raw_train[DATA_COLUMN].tolist(),
raw_train[LABEL_COLUMN].tolist(),
test_size=.2,
shuffle=True
)
# --------------------------------------------------------------------------------
# Prepare TF dataset
# --------------------------------------------------------------------------------
train_dataset = tf.data.Dataset.from_tensor_slices((
dict(tokenize(train_data)), # Convert BatchEncoding instance to dictionary
train_label
)).shuffle(1000).batch(BATCH_SIZE).prefetch(1)
validation_dataset = tf.data.Dataset.from_tensor_slices((
dict(tokenize(validation_data)),
validation_label
)).batch(BATCH_SIZE).prefetch(1)
# --------------------------------------------------------------------------------
# training
# --------------------------------------------------------------------------------
model = TFDistilBertForSequenceClassification.from_pretrained(
'distilbert-base-uncased',
num_labels=NUM_LABELS
)
optimizer = tf.keras.optimizers.Adam(learning_rate=LEARNING_RATE)
model.compile(
optimizer=optimizer,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
)
model.fit(
x=train_dataset,
y=None,
validation_data=validation_dataset,
batch_size=BATCH_SIZE,
epochs=NUM_EPOCHS,
)
第三种方法
基础知识
请注意,图片取自A Visual Guide to Using BERT for the First Time并进行了修改。
分词器
Tokenizer 生成 BatchEncoding 实例,该实例可以像 Python 字典一样使用,也是 BERT 模型的输入。
BatchEncoding保存 encode_plus() 和 batch_encode() 方法(令牌、注意掩码等)的输出。 该类派生自 python 字典,可以用作字典。此外,该类公开了从单词/字符空间映射到标记空间的实用方法。 参数
data (dict) – 由 encode/batch_encode 方法(‘input_ids’、‘attention_mask’等)返回的列表/数组/张量字典。
该类的data
属性是生成的具有input_ids
和attention_mask
元素的标记。
input_ids
input_ids输入 ID 通常是作为输入传递给模型的唯一必需参数。它们是标记索引,标记的数字表示,用于构建将用作模型输入的序列。
attention_mask
Attention mask此参数向模型指示应该注意哪些令牌,哪些不应该。
如果 attention_mask 是 0
,则忽略令牌 ID。例如,如果对序列进行填充以调整序列长度,则应忽略填充的单词,因此它们的 attention_mask 为 0。
特殊令牌
BertTokenizer 添加特殊标记,用[CLS]
和[SEP]
包围一个序列。 [CLS]
代表分类,[SEP]
分隔序列。对于问答或释义任务,[SEP]
将两个句子分开以进行比较。
BertTokenizer
cls_token (str, optional, 默认为"[CLS]")序列分类时使用的Classifier Token(对整个序列进行分类而不是每个令牌分类)。当使用特殊标记构建时,它是序列的第一个标记。 sep_token(str,可选,默认为“[SEP]”)分隔符标记,用于从多个序列构建序列时使用,例如两个序列用于序列分类或一个文本和一个用于问答的问题。它还用作使用特殊标记构建的序列的最后一个标记。
A Visual Guide to Using BERT for the First Time 显示标记化。
[CLS]
基础模型最后一层输出中 [CLS]
的嵌入向量表示基础模型已学习的分类。因此,将 [CLS]
标记的嵌入向量输入到添加在基础模型之上的分类层中。
每个序列的第一个标记总是
a special classification token ([CLS])
。与该标记对应的最终隐藏状态用作分类任务的聚合序列表示。句子对被打包成一个单一的序列。我们以两种方式区分句子。首先,我们用一个特殊的标记([SEP])将它们分开。其次,我们向每个标记添加一个学习嵌入,指示它属于句子 A 还是句子 B。
模型结构如下图所示。
向量大小
在模型distilbert-base-uncased
中,每个标记都嵌入到大小为768 的向量中。基本模型的输出形状为(batch_size, max_sequence_length, embedding_vector_size=768)
。这符合关于 BERT/BASE 模型的 BERT 论文(如 distilbert-base-uncased 中所示)。
BERT/BASE (L=12, H=768, A=12, Total Parameters=110M) 和 BERT/LARGE (L=24, H=1024, A=16, Total Parameters =340M)。
基础模型 - TFDistilBertModel
Hugging Face Transformers: Fine-tuning DistilBERT for Binary Classification TasksTFDistilBertModel 类实例化基础 DistilBERT 模型顶部没有任何特定的头部(与其他类如 TFDistilBertForSequenceClassification 具有添加的分类头相反)。 我们不希望附加任何特定于任务的头,因为我们只希望基础模型的预训练权重提供对英语的一般理解,并且在微调期间添加我们自己的分类头将是我们的工作过程以帮助模型区分有毒的 cmets。
TFDistilBertModel
生成TFBaseModelOutput
的实例,其last_hidden_state
参数是模型最后一层的输出。
TFBaseModelOutput([(
'last_hidden_state',
<tf.Tensor: shape=(batch_size, sequence_lendgth, 768), dtype=float32, numpy=array([[[...]]], dtype=float32)>
)])
TFBaseModelOutput
参数
last_hidden_state (tf.Tensor of shape (batch_size, sequence_length, hidden_size)) – 模型最后一层输出的隐藏状态序列。
实施
Python 模块
import pandas as pd
import tensorflow as tf
from sklearn.model_selection import train_test_split
from transformers import (
DistilBertTokenizerFast,
TFDistilBertModel,
)
配置
TIMESTAMP = datetime.datetime.now().strftime("%Y%b%d%H%M").upper()
DATA_COLUMN = 'text'
LABEL_COLUMN = 'category_index'
MAX_SEQUENCE_LENGTH = 512 # Max length allowed for BERT is 512.
NUM_LABELS = len(raw_train[LABEL_COLUMN].unique())
MODEL_NAME = 'distilbert-base-uncased'
NUM_BASE_MODEL_OUTPUT = 768
# Flag to freeze base model
FREEZE_BASE = True
# Flag to add custom classification heads
USE_CUSTOM_HEAD = True
if USE_CUSTOM_HEAD == False:
# Make the base trainable when no classification head exists.
FREEZE_BASE = False
BATCH_SIZE = 16
LEARNING_RATE = 1e-2 if FREEZE_BASE else 5e-5
L2 = 0.01
分词器
tokenizer = DistilBertTokenizerFast.from_pretrained(MODEL_NAME)
def tokenize(sentences, max_length=MAX_SEQUENCE_LENGTH, padding='max_length'):
"""Tokenize using the Huggingface tokenizer
Args:
sentences: String or list of string to tokenize
padding: Padding method ['do_not_pad'|'longest'|'max_length']
"""
return tokenizer(
sentences,
truncation=True,
padding=padding,
max_length=max_length,
return_tensors="tf"
)
输入层
基本模型需要input_ids
和attention_mask
,其形状为(max_sequence_length,)
。分别使用Input
层为它们生成 Keras 张量。
# Inputs for token indices and attention masks
input_ids = tf.keras.layers.Input(shape=(MAX_SEQUENCE_LENGTH,), dtype=tf.int32, name='input_ids')
attention_mask = tf.keras.layers.Input((MAX_SEQUENCE_LENGTH,), dtype=tf.int32, name='attention_mask')
基础模型层
从基本模型生成输出。基本模型生成TFBaseModelOutput
。将 [CLS]
的嵌入馈送到下一层。
base = TFDistilBertModel.from_pretrained(
MODEL_NAME,
num_labels=NUM_LABELS
)
# Freeze the base model weights.
if FREEZE_BASE:
for layer in base.layers:
layer.trainable = False
base.summary()
# [CLS] embedding is last_hidden_state[:, 0, :]
output = base([input_ids, attention_mask]).last_hidden_state[:, 0, :]
分类层
if USE_CUSTOM_HEAD:
# -------------------------------------------------------------------------------
# Classifiation leayer 01
# --------------------------------------------------------------------------------
output = tf.keras.layers.Dropout(
rate=0.15,
name="01_dropout",
)(output)
output = tf.keras.layers.Dense(
units=NUM_BASE_MODEL_OUTPUT,
kernel_initializer='glorot_uniform',
activation=None,
name="01_dense_relu_no_regularizer",
)(output)
output = tf.keras.layers.BatchNormalization(
name="01_bn"
)(output)
output = tf.keras.layers.Activation(
"relu",
name="01_relu"
)(output)
# --------------------------------------------------------------------------------
# Classifiation leayer 02
# --------------------------------------------------------------------------------
output = tf.keras.layers.Dense(
units=NUM_BASE_MODEL_OUTPUT,
kernel_initializer='glorot_uniform',
activation=None,
name="02_dense_relu_no_regularizer",
)(output)
output = tf.keras.layers.BatchNormalization(
name="02_bn"
)(output)
output = tf.keras.layers.Activation(
"relu",
name="02_relu"
)(output)
Softmax 层
output = tf.keras.layers.Dense(
units=NUM_LABELS,
kernel_initializer='glorot_uniform',
kernel_regularizer=tf.keras.regularizers.l2(l2=L2),
activation='softmax',
name="softmax"
)(output)
最终自定义模型
name = f"TIMESTAMP_MODEL_NAME.upper()"
model = tf.keras.models.Model(inputs=[input_ids, attention_mask], outputs=output, name=name)
model.compile(
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
optimizer=tf.keras.optimizers.Adam(learning_rate=LEARNING_RATE),
metrics=['accuracy']
)
model.summary()
---
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_ids (InputLayer) [(None, 256)] 0
__________________________________________________________________________________________________
attention_mask (InputLayer) [(None, 256)] 0
__________________________________________________________________________________________________
tf_distil_bert_model (TFDistilB TFBaseModelOutput(la 66362880 input_ids[0][0]
attention_mask[0][0]
__________________________________________________________________________________________________
tf.__operators__.getitem_1 (Sli (None, 768) 0 tf_distil_bert_model[1][0]
__________________________________________________________________________________________________
01_dropout (Dropout) (None, 768) 0 tf.__operators__.getitem_1[0][0]
__________________________________________________________________________________________________
01_dense_relu_no_regularizer (D (None, 768) 590592 01_dropout[0][0]
__________________________________________________________________________________________________
01_bn (BatchNormalization) (None, 768) 3072 01_dense_relu_no_regularizer[0][0
__________________________________________________________________________________________________
01_relu (Activation) (None, 768) 0 01_bn[0][0]
__________________________________________________________________________________________________
02_dense_relu_no_regularizer (D (None, 768) 590592 01_relu[0][0]
__________________________________________________________________________________________________
02_bn (BatchNormalization) (None, 768) 3072 02_dense_relu_no_regularizer[0][0
__________________________________________________________________________________________________
02_relu (Activation) (None, 768) 0 02_bn[0][0]
__________________________________________________________________________________________________
softmax (Dense) (None, 2) 1538 02_relu[0][0]
==================================================================================================
Total params: 67,551,746
Trainable params: 1,185,794
Non-trainable params: 66,365,952 <--- Base BERT model is frozen
数据分配
# --------------------------------------------------------------------------------
# Split data into training and validation
# --------------------------------------------------------------------------------
raw_train = pd.read_csv("./train.csv")
train_data, validation_data, train_label, validation_label = train_test_split(
raw_train[DATA_COLUMN].tolist(),
raw_train[LABEL_COLUMN].tolist(),
test_size=.2,
shuffle=True
)
# X = dict(tokenize(train_data))
# Y = tf.convert_to_tensor(train_label)
X = tf.data.Dataset.from_tensor_slices((
dict(tokenize(train_data)), # Convert BatchEncoding instance to dictionary
train_label
)).batch(BATCH_SIZE).prefetch(1)
V = tf.data.Dataset.from_tensor_slices((
dict(tokenize(validation_data)), # Convert BatchEncoding instance to dictionary
validation_label
)).batch(BATCH_SIZE).prefetch(1)
火车
# --------------------------------------------------------------------------------
# Train the model
# https://www.tensorflow.org/api_docs/python/tf/keras/Model#fit
# Input data x can be a dict mapping input names to the corresponding array/tensors,
# if the model has named inputs. Beware of the "names". y should be consistent with x
# (you cannot have Numpy inputs and tensor targets, or inversely).
# --------------------------------------------------------------------------------
history = model.fit(
x=X, # dictionary
# y=Y,
y=None,
epochs=NUM_EPOCHS,
batch_size=BATCH_SIZE,
validation_data=V,
)
要实现第一种方法,请按如下方式更改配置。
USE_CUSTOM_HEAD = False
然后将FREEZE_BASE
更改为False
并将LEARNING_RATE
更改为5e-5
,这将在基础BERT 模型上运行进一步的预训练。
保存模型
对于第三种方法,保存模型会导致问题。不能使用 Huggingface 模型的 save_pretrained 方法,因为该模型不是 Huggingface PreTrainedModel 的直接子类。
Keras save_model 会导致默认save_traces=True
出错,或者在使用Keras load_model 加载模型时会导致save_traces=True
出现不同的错误。
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-71-01d66991d115> in <module>()
----> 1 tf.keras.models.load_model(MODEL_DIRECTORY)
11 frames
/usr/local/lib/python3.7/dist-packages/tensorflow/python/keras/saving/saved_model/load.py in _unable_to_call_layer_due_to_serialization_issue(layer, *unused_args, **unused_kwargs)
865 'recorded when the object is called, and used when saving. To manually '
866 'specify the input shape/dtype, decorate the call function with '
--> 867 '`@tf.function(input_signature=...)`.'.format(layer.name, type(layer)))
868
869
ValueError: Cannot call custom layer tf_distil_bert_model of type <class 'tensorflow.python.keras.saving.saved_model.load.TFDistilBertModel'>, because the call function was not serialized to the SavedModel.Please try one of the following methods to fix this issue:
(1) Implement `get_config` and `from_config` in the layer/model class, and pass the object to the `custom_objects` argument when loading the model. For more details, see: https://www.tensorflow.org/guide/keras/save_and_serialize
(2) Ensure that the subclassed model or layer overwrites `call` and not `__call__`. The input shape and dtype will be automatically recorded when the object is called, and used when saving. To manually specify the input shape/dtype, decorate the call function with `@tf.function(input_signature=...)`.
据我测试,只有 Keras Model save_weights 有效。
实验
就我用Toxic Comment Classification Challenge 进行的测试而言,第一种方法的召回率更高(识别真正的有毒评论,真正的无毒评论)。代码可以访问如下。如果有任何问题,请提供更正/建议。
Code for 1st and 3rd approach相关
BERT Document Classification Tutorial with Code - 使用 TFDistilBertForSequenceClassification 和 Pytorch 进行微调 Hugging Face Transformers: Fine-tuning DistilBERT for Binary Classification Tasks - 使用 TFDistilBertModel 进行微调【讨论】:
【参考方案3】:您需要使用预期的架构转换 tf.data
格式的输入数据,以便您可以首先创建特征,然后训练您的分类模型。
如果您查看为tensorflow_datasets
link提供的粘合数据集,您会发现数据具有特定的架构:
dataset_ops.get_legacy_output_classes(data['train'])
'idx': tensorflow.python.framework.ops.Tensor,
'label': tensorflow.python.framework.ops.Tensor,
'sentence': tensorflow.python.framework.ops.Tensor
如果您想使用convert_examples_to_features
来准备要注入模型的数据,则需要这种模式。
转换数据并不像使用 pandas 那样简单,它在很大程度上取决于输入数据的结构。
比如你可以找here一步一步做这样的改造。这可以使用tf.data.Dataset.from_generator
来完成。
【讨论】:
【参考方案4】:从 konstantin_doncov 扩展答案。
配置文件
在初始化模型时,您需要定义在 Transformers 配置文件中定义的模型初始化参数。基类是 PretrainedConfig。
PretrainedConfig所有配置类的基类。处理所有模型配置共有的一些参数以及加载/下载/保存配置的方法。
每个子类都有自己的参数。例如,Bert 预训练模型具有 BertConfig。
BertConfig这是用于存储 BertModel 或 TFBertModel 配置的配置类。它用于根据指定的参数实例化 BERT 模型,定义模型架构。使用默认值实例化配置将产生与 BERT bert-base-uncased 架构类似的配置。
例如,num_labels
参数来自PretrainedConfig
num_labels (int, optional) – 在添加到模型的最后一层中使用的标签数,通常用于分类任务。
TFBertForSequenceClassification.from_pretrained(model_name, num_labels=num_labels)
bert-base-uncased
模型的配置文件发布在Huggingface model - bert-base-uncased - config.json。
"architectures": [
"BertForMaskedLM"
],
"attention_probs_dropout_prob": 0.1,
"gradient_checkpointing": false,
"hidden_act": "gelu",
"hidden_dropout_prob": 0.1,
"hidden_size": 768,
"initializer_range": 0.02,
"intermediate_size": 3072,
"layer_norm_eps": 1e-12,
"max_position_embeddings": 512,
"model_type": "bert",
"num_attention_heads": 12,
"num_hidden_layers": 12,
"pad_token_id": 0,
"position_embedding_type": "absolute",
"transformers_version": "4.6.0.dev0",
"type_vocab_size": 2,
"use_cache": true,
"vocab_size": 30522
微调(迁移学习)
Huggngface 提供了几个示例,用于对您自己的自定义数据集进行微调。例如,利用 BERT 的Sequence Classification 功能进行文本分类。
Fine-tuning with custom datasetsFine-tuning a pretrained model本教程将带您了解几个使用 ? Transformers 模型和您自己的数据集的示例。
如何微调来自 Transformers 库的预训练模型。在 TensorFlow 中,可以使用 Keras 和 fit 方法直接训练模型。
但是,文档中的示例只是概述,缺乏详细信息。
Fine-tuning with native PyTorch/TensorFlow
from transformers import TFDistilBertForSequenceClassification
model = TFDistilBertForSequenceClassification.from_pretrained('distilbert-base-uncased')
optimizer = tf.keras.optimizers.Adam(learning_rate=5e-5)
model.compile(optimizer=optimizer, loss=model.compute_loss) # can also use any keras loss fn
model.fit(train_dataset.shuffle(1000).batch(16), epochs=3, batch_size=16)
github提供了完整的代码。
HuggingFace Text classification examples此文件夹包含一些脚本,展示了使用 hugs Transformers 库进行文本分类的示例。
run_text_classification.py 是 TensorFlow 的文本分类微调示例。
但是,这既不简单也不直截了当,因为它旨在通用且通用。因此,没有一个很好的例子可供人们开始使用,导致人们需要提出这样的问题。
分类层
您会看到迁移学习(微调)文章解释在预训练的基础模型之上添加分类层,答案中也是如此。
output = tf.keras.layers.Dense(num_labels, activation='softmax')(output)
但是,文档中的拥抱脸示例并没有添加任何分类层。
from transformers import TFDistilBertForSequenceClassification
model = TFDistilBertForSequenceClassification.from_pretrained('distilbert-base-uncased')
optimizer = tf.keras.optimizers.Adam(learning_rate=5e-5)
model.compile(optimizer=optimizer, loss=model.compute_loss) # can also use any keras loss fn
model.fit(train_dataset.shuffle(1000).batch(16), epochs=3, batch_size=16)
这是因为TFBertForSequenceClassification
已经添加了图层。
基础 DistilBERT 模型,顶部没有任何特定的头部(与其他类相反,例如 TFDistilBertForSequenceClassification 确实具有添加的分类头部)。
如果您显示 Keras 模型摘要,例如 TFDistilBertForSequenceClassification
,它会显示在基本 BERT 模型之上添加的 Dense 和 Dropout 层。
Model: "tf_distil_bert_for_sequence_classification_2"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
distilbert (TFDistilBertMain multiple 66362880
_________________________________________________________________
pre_classifier (Dense) multiple 590592
_________________________________________________________________
classifier (Dense) multiple 1538
_________________________________________________________________
dropout_59 (Dropout) multiple 0
=================================================================
Total params: 66,955,010
Trainable params: 66,955,010
Non-trainable params: 0
冻结基础模型参数
有一些讨论,例如Fine Tune BERT Models 但显然 Huggingface 的方式不是冻结基本模型参数。如上图Non-trainable params: 0
Keras 模型总结。
冻结基础distilbert
层。
for _layer in model:
if _layer.name == 'distilbert':
print(f"Freezing model layer _layer.name")
_layer.trainable = False
print(_layer.name)
print(_layer.trainable)
---
Freezing model layer distilbert
distilbert
False <----------------
pre_classifier
True
classifier
True
dropout_99
True
资源
要研究的其他资源是 Kaggle。用关键字“huggingface”“BERT”搜索,你会找到为比赛发布的工作代码。
【讨论】:
以上是关于使用自定义 X 和 Y 数据训练 TFBertForSequenceClassification的主要内容,如果未能解决你的问题,请参考以下文章
Scikit-learn 分类器具有依赖于训练特征的自定义记分器
Scikit-learn 自定义评分函数需要来自数据集而非 X 和 y 的值
自定义的plot函数参数date坐标模型[x,y]的使用建议
Groupby 在一列 pandas 数据帧上,并使用 GridsearchCv 使用通用 sklearn 管道训练每个组的特征和目标 (X, y)