廣告行業(yè)中那些趣事系列8：詳解BERT中分類器源碼

摘要：BERT是近幾年NLP領(lǐng)域中具有里程碑意義的存在。因?yàn)樾Ч煤蛻?yīng)用范圍廣所以被廣泛應(yīng)用于科學(xué)研究和工程項(xiàng)目中。廣告系列中前幾篇文章有從理論的方面講過BERT的原理，也有從實(shí)戰(zhàn)的方面講過使用BERT構(gòu)建分類模型。本篇從源碼的角度從整體到局部分析BERT模型中分類器部分的源碼。

目錄

01 整體模塊劃分
02 數(shù)據(jù)處理模塊
03 特征處理模塊
04 模型構(gòu)建模塊
05 模型運(yùn)行模塊
06 其他模塊
總結(jié)

整體模塊劃分

對于機(jī)器學(xué)習(xí)工程師來說，會(huì)調(diào)包跑程序應(yīng)該是萬里長征的第一步。這一步主要是幫助我們迅速將模型應(yīng)用到實(shí)際業(yè)務(wù)中，并且提升自信心，但這還遠(yuǎn)遠(yuǎn)不夠。要想根據(jù)不同的業(yè)務(wù)場景更好的使用模型，我們需要深層次的理解模型，讀點(diǎn)源碼才能走的更遠(yuǎn)。

本篇解讀的是BERT開源項(xiàng)目中分類器部分的源碼，從最開始的數(shù)據(jù)輸入到模型運(yùn)行整個(gè)流程主要可以分成數(shù)據(jù)處理模塊、特征處理模塊、模型構(gòu)建模塊和模型運(yùn)行模塊。具體如下圖所示：

圖1 BERT分類器整體模塊劃分

因?yàn)樵鷳B(tài)BERT預(yù)訓(xùn)練模型動(dòng)輒幾百兆甚至上千兆的大小，模型訓(xùn)練速度非常慢，對于BERT模型線上化非常不友好，所以使用目前比較火的BERT最新派生產(chǎn)品ALBERT來完成BERT線上化服務(wù)。ALBERT使用參數(shù)減少技術(shù)來降低內(nèi)存消耗從而最終達(dá)到提高BERT的訓(xùn)練速度，并且在主要基準(zhǔn)測試中均名列前茅，可謂跑的快，還跑的好。本篇解讀的BERT源碼也是基于ALBERT開源項(xiàng)目。

項(xiàng)目開源的github工程：https://github.com/wilsonlsm006/albert_zh

主要解讀分類器部分的源碼，代碼及注釋在run_classifier.py文件，歡迎小伙伴們fork。

數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊主要負(fù)責(zé)數(shù)據(jù)讀入和預(yù)處理功能。

數(shù)據(jù)處理主要由數(shù)據(jù)處理器DataProcessor來完成。根據(jù)不同的任務(wù)會(huì)有不同的數(shù)據(jù)處理器子類，這里的不同表現(xiàn)在數(shù)據(jù)讀入方式和數(shù)據(jù)預(yù)處理方面。

1. 數(shù)據(jù)讀入方式

實(shí)際項(xiàng)目中數(shù)據(jù)讀入的方式多種多樣，比如csv、tsv、txt等。比如有的項(xiàng)目是需要讀取csv文件，而有的則需要tsv或者txt格式。我們可以構(gòu)建自定義的數(shù)據(jù)處理器來完成不同的項(xiàng)目需求。

2. 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是根據(jù)不同的NLP任務(wù)來完成不同的操作，比如單句分類任務(wù)我們需要的是text_a和label格式。而句子相似關(guān)系判斷任務(wù)需要的是text_a,text_b,label格式。其他任務(wù)也是類似的，根據(jù)不同的NLP任務(wù)來完成數(shù)據(jù)預(yù)處理操作。

通過一個(gè)類圖來講解源碼中的數(shù)據(jù)處理器：

圖2 數(shù)據(jù)處理器類圖

對應(yīng)到項(xiàng)目源碼中，我們有一個(gè)DataProcessor父類。父類中有五個(gè)方法，分別是讀取tsv文件、獲得訓(xùn)練集、獲得驗(yàn)證集、獲得測試集和獲得標(biāo)簽。這里可根據(jù)業(yè)務(wù)需求增刪改獲取文件類型的函數(shù)，比如讀取csv可以添加get_csv(input_file)等等。

class DataProcessor(object):    """Base class for data converters for sequence classification data sets."""    def get_train_examples(self, data_dir):        """Gets a collection of `InputExample`s for the train set."""        raise NotImplementedError()    def get_dev_examples(self, data_dir):        """Gets a collection of `InputExample`s for the dev set."""        raise NotImplementedError()    def get_test_examples(self, data_dir):        """Gets a collection of `InputExample`s for prediction."""        raise NotImplementedError()    def get_labels(self):        """Gets the list of labels for this data set."""        raise NotImplementedError()    @classmethod    def _read_tsv(cls, input_file, quotechar=None):        """Reads a tab separated value file."""        with tf.gfile.Open(input_file, "r") as f:            reader = csv.reader(f, delimiter="\t", quotechar=quotechar)            lines = []            for line in reader:                lines.append(line)            return lines

下面兩個(gè)子類，分別是處理句子關(guān)系判斷任務(wù)的SentencePairClassificationProcessor數(shù)據(jù)處理器和LCQMCPairClassificationProcessor分類的數(shù)據(jù)處理器。前面文章有講過如果需要做單句分類的任務(wù)我們可以在這里添加一個(gè)SentenceClassifierProcess進(jìn)行定制化開發(fā)。

對應(yīng)到項(xiàng)目源碼中，因?yàn)槲覀兪蔷渥雨P(guān)系判斷任務(wù)，其實(shí)就是判斷兩句話是不是有關(guān)系，這里我們得到的最終數(shù)據(jù)格式是列表類型，具體數(shù)據(jù)格式如下：

[(guid,text_a,text_b,label),(guid,text_a,text_b,label),....]

其中guid作為唯一識(shí)別text_a和text_b句子對的標(biāo)志，可以理解為該條樣例的唯一id；

text_a和text_b是需要判斷的兩個(gè)句子；

label字段就是標(biāo)簽，如果兩句話相似則置為1，否則為0。

上面四個(gè)字段guid和text_a是必須的。text_b是可選的，如果為空則變成單句分類任務(wù)，不為空則是句子關(guān)系判斷任務(wù)。label在訓(xùn)練集和驗(yàn)證集是必須的，在測試集中可以不提供。

具體代碼在SentencePairClassificationProcessor子類的_create_examples函數(shù)：

def _create_examples(self, lines, set_type):    """Creates examples for the training and dev sets."""    examples = []    print("length of lines:", len(lines))    for (i, line) in enumerate(lines):        # print('#i:',i,line)        if i == 0:            continue        guid = "%s-%s" % (set_type, i)        try:            label = tokenization.convert_to_unicode(line[2])            text_a = tokenization.convert_to_unicode(line[0])            text_b = tokenization.convert_to_unicode(line[1])            examples.append(                InputExample(guid=guid, text_a=text_a, text_b=text_b, label=label))        except Exception:            print('###error.i:', i, line)    return examples

特征處理模塊

特征處理模塊主要的功能是將數(shù)據(jù)處理模塊得到的數(shù)據(jù)轉(zhuǎn)化成特征并持久化到TFRecord文件中，由file_based_convert_examples_to_features函數(shù)完成。

"""將數(shù)據(jù)處理模塊得到的數(shù)據(jù)轉(zhuǎn)化成TFRecord文件input:    examples:數(shù)據(jù)格式為[(guid,text_a,text_b,label),(guid,text_a,text_b,label),....]    label_list：標(biāo)簽列表    max_seq_length：允許的句子最大長度     tokenizer：分詞器    output_file：TFRecord文件存儲(chǔ)路徑output:持久化到TFRecord格式文件"""def file_based_convert_examples_to_features(        examples,         label_list,         max_seq_length,         tokenizer, output_file):

1. 預(yù)處理數(shù)據(jù)轉(zhuǎn)化成特征

數(shù)據(jù)轉(zhuǎn)化成特征的操作主要由函數(shù)convert_single_example完成。傳統(tǒng)的機(jī)器學(xué)習(xí)需要從數(shù)據(jù)中抽取特征，NLP任務(wù)是對文本進(jìn)行分詞等操作獲取特征。BERT模型中默認(rèn)每個(gè)字字就是一個(gè)詞。

"""將預(yù)處理數(shù)據(jù)加工成模型需要的特征input:    ex_index：數(shù)據(jù)條數(shù)索引    example：數(shù)據(jù)格式為[(guid,text_a,text_b,label),(guid,text_a,text_b,label),....]    label_list：標(biāo)簽列表    max_seq_length：允許的句子最大長度，這里如果輸入句子長度不足則補(bǔ)0    tokenizer：分詞器output:  feature = InputFeatures(  input_ids=input_ids：token embedding：表示詞向量，第一個(gè)詞是CLS，分隔詞有SEP，是單詞本身  input_mask=input_mask：position embedding：為了令transformer感知詞與詞之間的位置關(guān)系  segment_ids=segment_ids：segment embedding：text_a與text_b的句子關(guān)系  label_id=label_id：標(biāo)簽  is_real_example=True)"""def convert_single_example(ex_index, example,                 label_list, max_seq_length,tokenizer):    ....    feature = InputFeatures(        input_ids=input_ids,        input_mask=input_mask,        segment_ids=segment_ids,        label_id=label_id,        is_real_example=True)    return feature

論文中BERT模型的輸入轉(zhuǎn)化成特征如下圖所示：

圖3 句子輸入轉(zhuǎn)化成三層Embedding

這里需要注意下對text_a和text_b的預(yù)處理操作。首先會(huì)進(jìn)行標(biāo)記化將text_a和text_b轉(zhuǎn)化成tokens_a和tokens_b。如果tokens_b存在，那么tokens_a和tokens_b的長度就不能超過max_seq_length-3，因?yàn)樾枰尤?/span>cls,sep,seq三個(gè)符號(hào)；如果tokens_b不存在，那么tokens_a的長度不能超過 max_seq_length -2 ，因?yàn)樾枰尤?/span> cls 和 sep符號(hào)。

這里通過一條具體的數(shù)據(jù)轉(zhuǎn)化成特征說明上述流程?，F(xiàn)在我們的example中有一條數(shù)據(jù)，分別有三個(gè)字段：

text_a: 這種圖片是用什么軟件制作的？

text_b: 這種圖片制作是用什么軟件呢？

label: 1

經(jīng)過分詞之后，我們會(huì)得到：

tokens: [CLS] 這 種 圖 片 是 用 什 么 軟 件 制 作 的 ？ [SEP] 這 種 圖 片 制 作 是 用 什 么 軟 件 呢 ？ [SEP]

其中[CLS]是模型額外增加的開始標(biāo)志，說明這是句首位置。[SEP]代表分隔符，我們會(huì)將兩句話拼接成一句話，通過分隔符來識(shí)別。第二句話拼接完成后也會(huì)加上一個(gè)分隔符。這里需要注意的是BERT對于中文分詞是以每個(gè)字進(jìn)行切分，并不是我們通常理解的按照中文實(shí)際的詞進(jìn)行切分。

經(jīng)過特征提取之后變成了：

input_ids：101 6821 4905 1745 4275 3221 4500 784 720 6763 816 1169 868 46388043 102 6821 4905 1745 4275 1169 868 3221 4500 784 720 6763 816 1450 8043 1020 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

input_mask：1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0

segment_ids：0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 0

label_id：1

這里詳細(xì)說下我們真正給模型輸入的特征是什么。

input_ids代表詞向量編碼。NLP任務(wù)中我們會(huì)將文本轉(zhuǎn)化成詞向量的表征形式提供給模型。通過BERT源碼中的tokenizer將句子拆分成字，并且將字映射成id。比如上面例子中第一句話有14個(gè)字，第二句話也有14個(gè)字，再加上一個(gè)開始標(biāo)志和兩個(gè)分隔符，一種有31個(gè)字。而上面例子中的input_ids列表中前31個(gè)位置都有每個(gè)字映射的id，并且相同字的映射的id也是一樣的。其他則通過添加0進(jìn)行填充；

input_mask代表位置編碼。為了transformer感知詞與詞之間的位置關(guān)系，源碼中會(huì)將當(dāng)前位置有字的設(shè)置為1，其他用0進(jìn)行填充；

segment_ids代表句子關(guān)系編碼。如果是句子關(guān)系判斷任務(wù)則會(huì)將text_b位置對應(yīng)的句子關(guān)系編碼置為1。這里需要注意，只要是句子關(guān)系判斷任務(wù)，不管兩句話到底有沒有關(guān)系，即標(biāo)簽是否為1都會(huì)將text_b位置對應(yīng)的句子關(guān)系編碼置為1；

label_id就代表兩句話是不是有關(guān)系。如果有關(guān)系則標(biāo)簽置為1，否則為0。

2. 特征存儲(chǔ)在TFRecord格式文件

當(dāng)我們進(jìn)行模型訓(xùn)練的時(shí)候，會(huì)將全部訓(xùn)練數(shù)據(jù)加載到內(nèi)存中。對于小規(guī)模數(shù)據(jù)集來說沒有問題，但是遇到大規(guī)模數(shù)據(jù)集時(shí)我們的內(nèi)存并不能加載全部的數(shù)據(jù)，所以涉及到分批加載數(shù)據(jù)。Tensorflow給開發(fā)者提供了TFRecord格式文件。TFRecord內(nèi)部采用二進(jìn)制編碼，加載快，對大型數(shù)據(jù)轉(zhuǎn)換友好。

小結(jié)下，特征處理模塊主要將預(yù)處理得到的數(shù)據(jù)轉(zhuǎn)化成特征并存儲(chǔ)到TFRecord格式文件。BERT會(huì)將句子輸入轉(zhuǎn)化成三層Embedding編碼，第一層是詞編碼，主要表示詞本身；第二層編碼是位置編碼，主要為了transformer感知詞與詞之間的位置關(guān)系；第三層編碼則表示句與句之間關(guān)系。通過這三層編碼我們就得到了模型的特征輸入。為了方便大數(shù)據(jù)集下模型訓(xùn)練加載數(shù)據(jù)，我們將特征持久化到TFRecord格式文件。

模型構(gòu)建模塊

模型構(gòu)建模塊主要分成模型構(gòu)建和模型標(biāo)準(zhǔn)輸入。

1. 模型構(gòu)建

通過函數(shù)model_fn_builder來構(gòu)建自定義模型估計(jì)器。

"""自定義模型估計(jì)器(model_fn_builder)input:bert_config：bert相關(guān)的配置      num_labels：標(biāo)簽的數(shù)量      init_checkpoint：預(yù)訓(xùn)練模型      learning_rate：學(xué)習(xí)率      num_train_steps：模型訓(xùn)練輪數(shù) = (訓(xùn)練集總數(shù)/batch_size)*epochs      num_warmup_steps：線性地增加學(xué)習(xí)率，num_warmup_steps = num_train_steps * warmup_proportion       use_tpu：是否使用TPUoutput:構(gòu)建好的模型"""def model_fn_builder(bert_config, num_labels, init_checkpoint, learning_rate,                     num_train_steps, num_warmup_steps, use_tpu,                     use_one_hot_embeddings):    """Returns `model_fn` closure for TPUEstimator."""    ......    return model_fn

這里模型構(gòu)建主要有create_model函數(shù)完成，主要完成兩件事：第一是調(diào)用modeling.py中的BertModel類創(chuàng)建模型；第二是計(jì)算交叉熵?fù)p失loss。交叉熵的值越小，兩個(gè)概率分布就越接近。

"""創(chuàng)建模型，主要完成兩件事：第一件事是調(diào)用modeling.py中國的BertModel類創(chuàng)建模型；第二件事事計(jì)算交叉熵?fù)p失loss。交叉熵的值越小，兩個(gè)概率分布就越接近。"""def create_model(bert_config, is_training, input_ids, input_mask, segment_ids,                 labels, num_labels, use_one_hot_embeddings):    """Creates a classification model."""    # 建立一個(gè)BERT分類模型(create_model)    model = modeling.BertModel(        config=bert_config,        is_training=is_training,        input_ids=input_ids,        input_mask=input_mask,        token_type_ids=segment_ids,        use_one_hot_embeddings=use_one_hot_embeddings)    ......    return (loss, per_example_loss, logits, probabilities)

2. 模型標(biāo)準(zhǔn)輸入

因?yàn)樵错?xiàng)目是基于Tensorflow框架開發(fā)，所以需要將前面得到的特征轉(zhuǎn)化成標(biāo)準(zhǔn)的Tensorflow模型輸入格式。這塊主要由函數(shù)file_based_input_fn_builder來完成。通過輸入文件的不同可以完成訓(xùn)練集、驗(yàn)證集和測試集的輸入。

"""模型標(biāo)準(zhǔn)輸入從TFRecord格式文件中讀取特征并轉(zhuǎn)化成TensorFlow標(biāo)準(zhǔn)的數(shù)據(jù)輸入格式input:input_file:    input_file=train_file：輸入文件，可以是訓(xùn)練集、驗(yàn)證集和預(yù)測集    seq_length=FLAGS.max_seq_length：句子最大長度    is_training=True：是否訓(xùn)練標(biāo)志    drop_remainder=True：表示在少于batch_size元素的情況下是否應(yīng)刪除最后一批 ; 默認(rèn)是不刪除。output:TensorFlow標(biāo)準(zhǔn)的格式輸入"""def file_based_input_fn_builder(input_file, seq_length, is_training,                                drop_remainder):  name_to_features = {        "input_ids": tf.FixedLenFeature([seq_length], tf.int64),        "input_mask": tf.FixedLenFeature([seq_length], tf.int64),        "segment_ids": tf.FixedLenFeature([seq_length], tf.int64),        "label_ids": tf.FixedLenFeature([], tf.int64),        "is_real_example": tf.FixedLenFeature([], tf.int64),    }  ......  return input_fn

這里需要注意的是is_training字段，對于訓(xùn)練數(shù)據(jù)，需要大量的并行讀寫和打亂順序；而對于驗(yàn)證數(shù)據(jù)，我們不希望打亂數(shù)據(jù)，是否并行也不關(guān)心。

小結(jié)下，模型構(gòu)建模塊主要由模型構(gòu)建和模型標(biāo)準(zhǔn)輸入兩部分。模型構(gòu)建負(fù)責(zé)創(chuàng)建和配置BERT模型。模型標(biāo)準(zhǔn)輸入則讀取TFRecord格式文件并轉(zhuǎn)化成標(biāo)準(zhǔn)的模型輸入，根據(jù)輸入文件的不同完成訓(xùn)練集、驗(yàn)證集和測試集的標(biāo)準(zhǔn)輸入。

模型運(yùn)行模塊

上面模型構(gòu)建好了之后即可運(yùn)行模型。Tensorflow中模型運(yùn)行需要構(gòu)建一個(gè)Estimator對象。主要通過源碼中tf.contrib.tpu.TPUEstimator()來構(gòu)建。

"""Estimator對象包裝由model_fn指定的模型input：給定輸入和其他一些參數(shù)    use_tpu：是否使用TPU    model_fn：前面構(gòu)建好的模型    config：模型運(yùn)行相關(guān)的配置    train_batch_size：訓(xùn)練batch大小    eval_batch_size：驗(yàn)證batch大小    predict_batch_size：預(yù)測batch大小output：需要進(jìn)行訓(xùn)練、計(jì)算,或預(yù)測的操作"""estimator = tf.contrib.tpu.TPUEstimator(    use_tpu=FLAGS.use_tpu,    model_fn=model_fn,    config=run_config,    train_batch_size=FLAGS.train_batch_size,    eval_batch_size=FLAGS.eval_batch_size,    predict_batch_size=FLAGS.predict_batch_size)

1. 模型訓(xùn)練

模型訓(xùn)練通過estimator.train即可完成：

if FLAGS.do_train:    train_input_fn = file_based_input_fn_builder(        input_file=train_file,        seq_length=FLAGS.max_seq_length,        is_training=True,        drop_remainder=True)    ....    estimator.train(input_fn=train_input_fn, max_steps=num_train_steps)

2. 模型驗(yàn)證

模型驗(yàn)證通過estimator.evaluate即可完成：

if FLAGS.do_eval:    eval_input_fn = file_based_input_fn_builder(            input_file=eval_file,            seq_length=FLAGS.max_seq_length,            is_training=False,            drop_remainder=eval_drop_remainder)    ....    result = estimator.evaluate(input_fn=eval_input_fn, steps=eval_steps, checkpoint_path=filename)

3. 模型預(yù)測

模型預(yù)測通過estimator.predict即可完成：

if FLAGS.do_predict:    predict_input_fn = file_based_input_fn_builder(            input_file=predict_file,            seq_length=FLAGS.max_seq_length,            is_training=False,            drop_remainder=predict_drop_remainder)    ....    result = estimator.predict(input_fn=predict_input_fn)

其他模塊

1. tf日志模塊

import tensorflow as tf# 日志的顯示等級(jí)tf.logging.set_verbosity(tf.logging.INFO) # 打印提示日志tf.logging.info("***** Runningtraining *****")# 打印傳參日志tf.logging.info("  Num examples = %d", len(train_examples))

2. 外部傳參模塊

import tensorflow as tfflags = tf.flagsFLAGS = flags.FLAGSflags.DEFINE_string(   "data_dir", None,   "The input data dir. Should contain the .tsv files (or other datafiles) ""for thetask.")# 設(shè)置哪些參數(shù)是必須要傳入的flags.mark_flag_as_required("data_dir")

總結(jié)

本篇主要講解BERT中分類器部分的源碼。整體來看主要分成數(shù)據(jù)處理模塊、特征處理模塊、模型構(gòu)建模塊和模型運(yùn)行模塊。數(shù)據(jù)處理模塊主要負(fù)責(zé)數(shù)據(jù)讀入和預(yù)處理工作；特征處理模塊負(fù)責(zé)將預(yù)處理后的數(shù)據(jù)轉(zhuǎn)化成特征并持久化到TFRecord格式文件中；模型構(gòu)建模塊主要負(fù)責(zé)構(gòu)建BERT模型和模型標(biāo)準(zhǔn)輸入數(shù)據(jù)準(zhǔn)備；模型運(yùn)行模塊主要負(fù)責(zé)模型訓(xùn)練、驗(yàn)證和預(yù)測。通過整體到局部的方式我們可以對BERT中的分類器源碼有深入的了解。后面可以根據(jù)實(shí)際的業(yè)務(wù)需求對分類器進(jìn)行二次開發(fā)。