【小白學(xué)習(xí)PyTorch教程】十五、通過PyTorch來創(chuàng)建一個文本分類的Bert模型
「@Author：Runsen」
2018 年，谷歌發(fā)表了一篇題為《Pre-training of deep bidirectional Transformers for Language Understanding》的論文。
在本文中，介紹了一種稱為BERT（帶轉(zhuǎn)換器Transformers的雙向編碼Encoder 器表示）的語言模型，該模型在問答、自然語言推理、分類和通用語言理解評估或 (GLUE)等任務(wù)中取得了最先進(jìn)的性能.
BERT全稱為Bidirectional Encoder Representation from Transformers[1]，是一種用于語言表征的預(yù)訓(xùn)練模型。
它基于谷歌2017年發(fā)布的Transformer架構(gòu)，通常的Transformer使用一組編碼器和解碼器網(wǎng)絡(luò)，而BERT只需要一個額外的輸出層，對預(yù)訓(xùn)練進(jìn)行fine-tune，就可以滿足各種任務(wù)，根本沒有必要針對特定任務(wù)對模型進(jìn)行修改。
BERT將多個Transformer編碼器堆疊在一起。Transformer基于著名的多頭注意力（Multi-head Attention）模塊，該模塊在視覺和語言任務(wù)方面都取得了巨大成功。
在本文中，我們將使用 PyTorch來創(chuàng)建一個文本分類的Bert模型。
筆者介今天紹一個python庫 --- simpletransformers，可以很好的解決高級預(yù)訓(xùn)練語言模型使用困難的問題。
simpletransformers使得高級預(yù)訓(xùn)練模型（BERT、RoBERTa、XLNet、XLM、DistilBERT、ALBERT、CamemBERT、XLM-RoBERTa、FlauBERT）的訓(xùn)練、評估和預(yù)測變得簡單，每條只需3行即可初始化模型。
數(shù)據(jù)集來源：https://www.kaggle.com/jrobischon/wikipedia-movie-plots
該數(shù)據(jù)集包含對來自世界各地的 34,886 部電影的描述。列描述如下：
發(fā)行年份：電影發(fā)行的年份 標(biāo)題：電影標(biāo)題 起源：電影的起源（即美國、寶萊塢、泰米爾等） 劇情：主要演員 類型：電影類型 維基頁面- 從中抓取情節(jié)描述的維基百科頁面的 URL 情節(jié)：電影情節(jié)的長篇描述
import numpy as np
import pandas as pd
import os, json, gc, re, random
from tqdm.notebook import tqdm
import torch, transformers, tokenizers
movies_df = pd.read_csv("wiki_movie_plots_deduped.csv")
from sklearn.preprocessing import LabelEncoder
movies_df = movies_df[(movies_df["Origin/Ethnicity"]=="American") | (movies_df["Origin/Ethnicity"]=="British")]
movies_df = movies_df[["Plot", "Genre"]]
drop_indices = movies_df[movies_df["Genre"] == "unknown" ].index
movies_df.drop(drop_indices, inplace=True)
# Combine genres: 1) "sci-fi" with "science fiction" & 2) "romantic comedy" with "romance"
movies_df["Genre"].replace({"sci-fi": "science fiction", "romantic comedy": "romance"}, inplace=True)
# 根據(jù)頻率選擇電影類型
shortlisted_genres = movies_df["Genre"].value_counts().reset_index(name="count").query("count > 200")["index"].tolist()
movies_df = movies_df[movies_df["Genre"].isin(shortlisted_genres)].reset_index(drop=True)
# Shuffle
movies_df = movies_df.sample(frac=1).reset_index(drop=True)
#從不同類型中抽取大致相同數(shù)量的電影情節(jié)樣本（以減少階級不平衡問題）
movies_df = movies_df.groupby("Genre").head(400).reset_index(drop=True)
label_encoder = LabelEncoder()
movies_df["genre_encoded"] = label_encoder.fit_transform(movies_df["Genre"].tolist())
movies_df = movies_df[["Plot", "Genre", "genre_encoded"]]
movies_df
使用 torch 加載 BERT 模型，最簡單的方法是使用 Simple Transformers 庫，以便只需 3 行代碼即可初始化、在給定數(shù)據(jù)集上訓(xùn)練和在給定數(shù)據(jù)集上評估 Transformer 模型。
from simpletransformers.classification import ClassificationModel
# 模型參數(shù)
model_args = {
"reprocess_input_data": True,
"overwrite_output_dir": True,
"save_model_every_epoch": False,
"save_eval_checkpoints": False,
"max_seq_length": 512,
"train_batch_size": 16,
"num_train_epochs": 4,
}
# Create a ClassificationModel
model = ClassificationModel('bert', 'bert-base-cased', num_labels=len(shortlisted_genres), args=model_args)
訓(xùn)練模型
train_df, eval_df = train_test_split(movies_df, test_size=0.2, stratify=movies_df["Genre"], random_state=42)
# Train the model
model.train_model(train_df[["Plot", "genre_encoded"]])
# Evaluate the model
result, model_outputs, wrong_predictions = model.eval_model(eval_df[["Plot", "genre_encoded"]])
print(result)
{'mcc': 0.5299659404649717, 'eval_loss': 1.4970421879083518}
CPU times: user 19min 1s, sys: 4.95 s, total: 19min 6s
Wall time: 20min 14s
關(guān)于simpletransformers的官方文檔：https://simpletransformers.ai/docs
Github鏈接：https://github.com/ThilinaRajapakse/simpletransformers