Bert实现意图分类

来自保姆级教程，用PyTorch和BERT进行文本分类

一、bert

bert模型的下载：去抱抱脸网站bert-base-cased at main下载预训练模型，下载对应的这三个文件，这里下载的是pytorch版本

下载后放入对应文件夹，是这样的：

验证bert能不能调用成功：

from transformers import BertModel,BertTokenizer
BERT_PATH = './bert-base-cased'
tokenizer = BertTokenizer.from_pretrained(BERT_PATH)
print(tokenizer.tokenize('I have a good time, thank you.'))
bert = BertModel.from_pretrained(BERT_PATH)
print('load bert model over')['I', 'have', 'a', 'good', 'time',
',', 'thank', 'you', '.']
load bert model over

BertTokenizer解析：BertTokenizer将数据处理成bert需要的格式

from transformers import BertTokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
example_text = 'I will watch Memento tonight'
bert_input = tokenizer(example_text,padding='max_length', max_length = 10, truncation=True,return_tensors="pt")
# ------- bert_input ------
print(bert_input['input_ids'])
print(bert_input['token_type_ids'])
print(bert_input['attention_mask'])tensor([[  101,   146,  1209,  2824,  2508,26173,  3568,   102,     0,     0]])
tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
tensor([[1, 1, 1, 1, 1, 1, 1, 1, 0, 0]])

BertTokenizer参数：

padding：将每个sequence填充到指定的最大长度。
max_length: 每个sequence的最大长度。本示例中我们使用 10，但对于本文实际数据集，我们将使用 512，这是 BERT 允许的sequence 的最大长度。
truncation：如果为True，则每个序列中超过最大长度的标记将被截断。
return_tensors：将返回的张量类型。由于我们使用的是 Pytorch，所以我们使用pt；如果你使用 Tensorflow，那么你需要使用tf

BertTokenizer输出：bert_input

input_ids，它是每个 token 的 id 表示,101代表[CLS]，102代表[SEP]，0代表[PAD]
token_type_ids，它是一个 binary mask，用于标识 token 属于哪个 sequence。如果我们只有一个 sequence，那么所有的 token 类型 id 都将为 0。对于文本分类任务，token_type_ids是 BERT 模型的可选输入参数。
attention_mask，它是一个 binary mask，用于标识 token 是真实 word 还是只是由填充得到。如果 token 包含 [CLS]、[SEP] 或任何真实单词，则 mask 将为 1。如果 token 只是 [PAD] 填充，则 mask 将为 0

二、定义模型

bert的输出送入一层全连接层，再通过一层relu层

from torch import nn
from transformers import BertModel
import torchclass BertClassifier(nn.Module):def __init__(self, dropout=0.5):super(BertClassifier, self).__init__()#self.bert = BertModel.from_pretrained('bert-base-cased')self.bert = BertModel.from_pretrained('/home/jiqiboyi03/chenpp/bert-classification/bert-base-cased')self.dropout = nn.Dropout(dropout)self.linear = nn.Linear(768, 7)self.relu = nn.ReLU()def forward(self, input_id, mask):_, pooled_output = self.bert(input_ids= input_id, attention_mask=mask,return_dict=False)# print(pooled_output.size())#[batch_size,768] CLS的向量dropout_output = self.dropout(pooled_output)linear_output = self.linear(dropout_output)final_layer = self.relu(linear_output)return final_layer

输入input_ids和mask的格式应该是：以batch_size=2为例，input_ids应该是二维的，mask二维三维都可以

input_id=torch.tensor([[ 101,   178,   112,   173,  1176,   170,   189,  3624,  3043,  1121,17496,  1396, 11305,  1106,  1207, 26063,  4661,  1664, 26645,   102],[  101,  1110,  1175,   170, 20811,  3043,  1121, 10552,  4121,  1106,21718,  1179,   175,  4047, 21349,  2528,   102,     0,     0,     0]])
mask=torch.tensor([[[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, 1, 1, 1, 1, 1, 1, 0, 0, 0]]])

三、数据预处理

import torch
import numpy as np
from transformers import BertTokenizer
import torch.utils.data as databert_path='/home/jiqiboyi03/chenpp/bert-classification/bert-base-cased'
tokenizer = BertTokenizer.from_pretrained(bert_path)
labels={'AddToPlaylist':0,'BookRestaurant':1,'GetWeather':2,'PlayMusic':3,'RateBook':4,'SearchCreativeWork':5,'SearchScreeningEvent':6}class Dataset(data.Dataset):def __init__(self, df):self.labels = [labels[label] for label in df['category']]self.texts = [tokenizer(text,padding='max_length',max_length = 20,truncation=True,return_tensors="pt")for text in df['text']]def classes(self):return self.labelsdef __len__(self):return len(self.labels)def get_batch_labels(self, idx):# Fetch a batch of labelsreturn np.array(self.labels[idx])def get_batch_texts(self, idx):# Fetch a batch of inputsreturn self.texts[idx]def __getitem__(self, idx):batch_texts = self.get_batch_texts(idx)batch_y = self.get_batch_labels(idx)return batch_texts, batch_y

其中df的格式应该是：

{'category': ['PlayMusic', .....],
'text': ['open groove shark and play native us',..... }

四、训练

from torch.optim import Adam
from tqdm import tqdm
from snips_process import Dataset
import torch
import torch.utils.data as data
import torch.nn as nn
import matplotlib.pyplot as pltdef train(model, train_data, val_data, learning_rate, epochs):# 通过Dataset类获取训练和验证集train, val = Dataset(train_data), Dataset(val_data)# DataLoader根据batch_size获取数据，训练时选择打乱样本train_dataloader = torch.utils.data.DataLoader(train, batch_size=32, shuffle=True)val_dataloader = torch.utils.data.DataLoader(val, batch_size=32)# 判断是否使用GPUuse_cuda = torch.cuda.is_available()device = torch.device("cuda" if use_cuda else "cpu")# 定义损失函数和优化器criterion = nn.CrossEntropyLoss()optimizer = Adam(model.parameters(), lr=learning_rate)train_loss=[]train_acc=[]val_loss=[]val_acc=[]EPOCH=[]if use_cuda:model = model.cuda()criterion = criterion.cuda()# 开始进入训练循环for epoch_num in range(epochs):# 定义两个变量，用于存储训练集的准确率和损失total_acc_train = 0total_loss_train = 0# 进度条函数tqdmfor train_input, train_label in tqdm(train_dataloader):train_label = train_label.to(device)#1维mask = train_input['attention_mask'].to(device)input_id = train_input['input_ids'].squeeze(1).to(device)# print("input_id size:",input_id.size())#[32,20]# print("mask size:",mask.size())# 通过模型得到输出output = model(input_id, mask)#[32,21]# 计算损失batch_loss = criterion(output, train_label)total_loss_train += batch_loss.item()# 计算精度acc = (output.argmax(dim=1) == train_label).sum().item()total_acc_train += acc# 模型更新model.zero_grad()batch_loss.backward()optimizer.step()# ------ 验证模型 -----------# 定义两个变量，用于存储验证集的准确率和损失total_acc_val = 0total_loss_val = 0# 不需要计算梯度with torch.no_grad():# 循环获取数据集，并用训练好的模型进行验证for val_input, val_label in val_dataloader:# 如果有GPU，则使用GPU，接下来的操作同训练val_label = val_label.to(device)mask = val_input['attention_mask'].to(device)input_id = val_input['input_ids'].squeeze(1).to(device)output = model(input_id, mask)batch_loss = criterion(output, val_label)total_loss_val += batch_loss.item()acc = (output.argmax(dim=1) == val_label).sum().item()total_acc_val += acctrain_loss.append(total_loss_train / len(train_data['text']))train_acc.append(total_acc_train / len(train_data['text']))val_loss.append(total_loss_val / len(val_data['text']))val_acc.append(total_acc_val / len(val_data['text']))EPOCH.append(epoch_num+1)print(f'''Epochs: {epoch_num + 1} | Train Loss: {total_loss_train / len(train_data['text']): .3f} | Train Accuracy: {total_acc_train / len(train_data['text']): .3f} | Val Loss: {total_loss_val / len(val_data['text']): .3f} | Val Accuracy: {total_acc_val / len(val_data['text']): .3f}''')print("saving bert model......")torch.save(model.state_dict(),'../bert-base-cased/bert_trained_snips_full.pt')#画图plt.plot(EPOCH,train_loss,'b',label='train_loss')plt.plot(EPOCH, train_acc,'g',label='train_acc')plt.plot(EPOCH, val_loss, 'r', label='val_loss')plt.plot(EPOCH, val_acc, 'c', label='val_acc')plt.show()

注：train_data即数据预处理中的df，经过DataLoader会加一维batch_size，变成3维，但是bert的输入得是2维，因此经过了squeeze(1)操作

五、验证

from snips_process import Dataset,df_test
import torch
from model import BertClassifier
import torch.utils.data as datadef evaluate(model, test_data):test = Dataset(test_data)length=len(test_data['text'])test_dataloader = torch.utils.data.DataLoader(test, batch_size=2)use_cuda = torch.cuda.is_available()device = torch.device("cuda" if use_cuda else "cpu")if use_cuda:model = model.cuda()total_acc_test = 0with torch.no_grad():for test_input, test_label in test_dataloader:test_label = test_label.to(device)mask = test_input['attention_mask'].to(device)input_id = test_input['input_ids'].squeeze(1).to(device)output = model(input_id, mask)acc = (output.argmax(dim=1) == test_label).sum().item()total_acc_test += accprint(f'Test Accuracy: {total_acc_test / length: .3f}')

Bert实现意图分类相关推荐

搜索引擎——用户搜索意图的理解及其难点解析，本质是利用机器学习用户的意图分类...
用户搜索意图的理解及其难点解析搜索引擎涉及的技术非常的繁复,既有工程架构方面的,又有算法策略方面的.综合来讲,一个搜索引擎的技术构建主要包含三大部分: 对 query 的理解对内容(文档)的理解 ...
【NLP】Kaggle从零到实践：Bert中文文本分类
Bert是非常强化的NLP模型,在文本分类的精度非常高.本文将介绍Bert中文文本分类的基础步骤,文末有代码获取方法. 步骤1:读取数据本文选取了头条新闻分类数据集来完成分类任务,此数据集是根据头条 ...
【PaddleNLP实战】对话意图分类方案
基于预训练模型ERNIE 3.0 和CrossWOZ数据的意图识别分类任务 AI Studio平台默认安装了Paddle和PaddleNLP,并定期更新版本. 如需手动更新Paddle,可参考飞桨安装 ...
Bert实战--文本分类(一)
使用Bert预训练模型进行文本分类 bert做文本分类,简单来说就是将每句话的第一个位置加入了特殊分类嵌入[CLS].而该[CLS]包含了整个句子的信息,它的最终隐藏状态(即,Transformer的 ...
Rasa实体抽取和意图分类之DIETClassifier
Rasa实体抽取和意图分类之DIETClassifier rasa\nlu\classifiers\diet_classifier.py DIETClassifier训练模型是diet_classif ...
基于维基百科的用户意图分类
关于"用户查询意图分类(识别)",在很久以前就开始关注了,最近开始阅读一些文章.前期得文章中,多半在特征抽取中,提到的都是用其他得资源比如查询日志比较多.今天偶然读了一篇文章,以一 ...
Pytorch Bert+BiLstm文本分类
文章目录前言一.运行环境二.数据三.模型结构四.训练五.测试及预测前言昨天按照该文章(自然语言处理(NLP)Bert与Lstm结合)跑bert+bilstm分类的时候,没成功跑起来,于 ...
深度学习一：使用BERT做 NLP分类任务
文章目录前言什么是BERT? 它与其他机器学习算法的不同之处代码示例开始设置准备数据训练模型做一个预测鸣谢!!!! 前言 ****Bert的原理资料已经很多这里不多陈述,仅仅用一个实际 ...
二分类问题：基于BERT的文本分类实践！附完整代码
Datawhale 作者:高宝丽,Datawhale优秀学习者寄语:Bert天生适合做分类任务.文本分类有fasttext.textcnn等多种方法,但在Bert面前,就是小巫见大巫了. 推荐评论展 ...

Bert实现意图分类

Bert实现意图分类相关推荐

最新文章

热门文章