BERT小学生级上手教程，从原理到上手全有图示，还能直接在线运行

会员服务 ·

BERT小学生级上手教程，从原理到上手全有图示，还能直接在线运行

2019 年 12 月 6 日 量子位

作者 Jay Alammar
伊瓢编译
量子位出品 | 公众号 QbitAI

BERT，作为自然语言处理领域的C位选手，总是NLPer们逃不过的一环。

但是，如果是经验匮乏、基础薄弱的选手，想玩转BERT还是有点难的。

现在，科技博主Jay Alammar创作了一篇《第一次使用BERT的图形化指南》，用非常简单清晰的方式介绍了如何上手BERT，从BERT的原理到实际操作的过程都有图示，甚至图比代码都多。量子位为大家编译搬运如下~

这篇文章主要以用BERT的变体对句子进行分类为例，介绍了BERT的使用方式。

最后的传送门处还有Colab的地址。

数据集：SST2

首先，我们需要用到SST2数据集，里面的句子来自于一些电影评论。

如果评论者对电影表示肯定赞赏，就会有“1”的标签；

如果评论者不喜欢这个电影，发表了负面评论，就会有“0”的标签。

数据集里的电影评论是用英文写的，大概长这样：

句子	标签
a stirring , funny and finally transporting re imagining of beauty and the beast and 1930s horror films 一部激动人心、有趣的、最后传达出对美女与野兽和1930年代恐怖片的重新想象的电影	1
apparently reassembled from the cutting room floor of any given daytime soap 显然是从随便哪个日间肥皂剧里剪一剪拼贴起来的	0
they presume their audience won't sit still for a sociology lesson 他们认为他们的观众不会安静的坐下听社会学的课	0
this is a visually stunning rumination on love , memory , history and the war between art and commerce 这是关于爱情、回忆、历史以及艺术与商业之争的视觉上令人惊叹的反省	1
jonathan parker 's bartleby should have been the be all end all of the modern office anomie films 乔纳森·帕克的剧作应当是所有现代办公室失范电影的终结	1

句子情感分类模型

现在，借助SST2影评数据集，我们需要创建一个自动对英文句子进行分类的模型。

如果判断是肯定的、正面的，就标注1；如果判断是否定的、负面的，就标注0。

大致的逻辑是这样的：

输入一句话，经过电影评论句子分类器，输出积极或消极的结果。

这个模型实际上是两个模型组成的。

DistilBERT负责处理句子，提取信息，然后传递给下一个模型，这是🤗“抱抱脸公司”（HuggingFace）做的一个开源BERT版本，比较轻量级而且运行快，性能和原版差不多。

下一个模型就是一个基本的逻辑回归模型，它的输入是DistilBERT的处理结果，输出积极或消极的结果。

我们在两个模型之间传递的数据是大小为768的向量，可以把这个向量当成可以用来分类的句子嵌入。

模型的训练过程

虽然我们会用到两个模型，但是我们只需要训练逻辑回归模型就行了，DistilBERT可以直接用预训练好的版本。

不过，这个模型从来都没有针对句子分类任务被训练或微调过，我们从通用目标BERT获取一些句子分类能力，尤其是对于第一个位置的BERT输出而言（与[CLS]token相关），这是BERT的第二个训练目标，接下来就是句子分类了，这个目标似乎是训练模型将全句意义封装到第一位置的输出位置。

这个Transformer库为我们提供了DistilBERT的实施和模型的预训练版本。

教程概述

这是本篇教程的整个计划，我们先用训练过的DistilBERT来生成2000个句子的句子嵌入。

之后就不用再碰DistilBERT了，这里都是Scikit Learn，我们在这个数据集上做常规的训练和测试：

针对第一个模型也就是DistilBERT进行训练测试，创建我们训练用的数据集并评估第二个模型也就是逻辑回归模型。

然后在训练集上训练逻辑回归模型：

单个预测是如何进行的

在研究代码解释如何训练模型之前，我们先看看一个训练后的模型如何进行预测。

我们试着给这句话进行分类预测：

a visually stunning rumination on love

关于爱情的视觉上令人惊叹的反省

第一步，用BERT tokenizer把句子分为两个token；

第二步，我们加入句子分类用的特殊token（第一个位置的是[CLS]，句子结束的位置是[SEP]）。

第三步，tokenizer用嵌入表中的ID代替每个token，成为训练模型的组件。

注意，tokenizer是在这一行代码里完成所有步骤的：

1tokenizer.encode("a visually stunning rumination on love", add_special_tokens=True)

现在我们的输入句子是可以传递给DistilBERT的适当状态了。

这个步骤可视化起来长这样：

从DistilBERT经过

输入向量从DistilBERT经过，输出每个输入token的向量，每个向量有768个数字组成。

因为这是个句子分类的任务，所以我们忽视掉除第一个向量之外的其他内容（第一个向量和[CLS]token相关），然后把第一个向量作为逻辑回归模型的输入。

从这里开始，逻辑回归模型的工作就是根据它从训练过程中学到的经验，把这个向量进行分类。

这个预测计算的过程是这样的：

代码

现在，开始看这整个过程的代码，后面你也可以在传送门里看到GitHub代码和Colab上的可运行版本。

首先，导入trade工具。

1import numpy as np
2import pandas as pd
3import torch
4import transformers as ppb # pytorch transformers
5from sklearn.linear_model import LogisticRegression
6from sklearn.model_selection import cross_val_score
7from sklearn.model_selection import train_test_split

你可以在GitHub里找到这个数据集，所以我们可以直接把它导入到pandas dataframe里。

1df = pd.read_csv('https://github.com/clairett/pytorch-sentiment-classification/raw/master/data/SST2/train.tsv', delimiter='\t', header=None)

可以直接用df.head() 查看dataframe的前五行，看看数据集长啥样。

1df.head()

然后就输出：

导入预训练DistilBERT模型和tokenizer

1model_class, tokenizer_class, pretrained_weights = (ppb.DistilBertModel, ppb.DistilBertTokenizer, 'distilbert-base-uncased')
2
3## Want BERT instead of distilBERT? Uncomment the following line:
4#model_class, tokenizer_class, pretrained_weights = (ppb.BertModel, ppb.BertTokenizer, 'bert-base-uncased')
5
6# Load pretrained model/tokenizer
7tokenizer = tokenizer_class.from_pretrained(pretrained_weights)
8model = model_class.from_pretrained(pretrained_weights)

现在可以对这个数据集tokenize了。

注意，这一步和上面的例子不同，例子只处理了一个句子，但是我们要批处理所有的句子。

Tokenization

1tokenized = df[0].apply((lambda x: tokenizer.encode(x, add_special_tokens=True)))

这一步让每个句子都变成ID列表。

数据集是当前的列表（或者pandas Series/DataFrame），在DistilBERT处理它之前，我们需要给所有向量统一规格，给短句子加上token 0。

填上0之后，现在就有了一个成形的矩阵/张量可以投喂给BERT了：

用DistilBERT处理

现在，为填充的token矩阵创造一个输入张量，发送给DistilBERT。

1input_ids = torch.tensor(np.array(padded))
2
3with torch.no_grad():
4    last_hidden_states = model(input_ids)

运行这一步之后，last_hidden_states保留DistilBERT的输出。

打开BERT的输出张量

解压缩这个3-d输出张量，先检查它的尺寸：

回顾处理句子的过程

每行都和我们数据集里的一个句子关联，回顾一下，整个处理过程是这样的：

挑出重要部分

关于句子分类，我们只对BERT的[CLS] token输出感兴趣，所以我们只挑出重要部分就行了。

下面是从3D张量里挑出我们需要的2D张量的办法：

1# Slice the output for the first position for all the sequences, take all hidden unit outputs
2features = last_hidden_states[0][:,0,:].numpy()

现在的特征是个2D numpy数组，里面有我们数据集里所有句子的句子嵌入。

逻辑回归数据集

现在我们有BERT的输出了，前面逻辑回归模型已经已经训练好了。下图的798列是特征，标签是初始数据集里面的。

在完成传统的机器学习训练测试后，我们可以拿逻辑回归模型再进行训练。

1labels = df[1]
2train_features, test_features, train_labels, test_labels = train_test_split(features, labels)

将数据分为训练集/测试集：

接下来，在训练集上训练逻辑回归模型：

1lr_clf = LogisticRegression()
2lr_clf.fit(train_features, train_labels)

现在模型训练完了，用测试集给它打分：

1lr_clf.score(test_features, test_labels)

得出的模型准确度为81%。

Score Benchmarks

作为参考，这个数据集目前的最高准确率得分为96.8.

在这个任务里，DistilBERT可以训练来提升分数，这个过程叫做微调（fine-tuning），可以更新BERT的权重，来实现更好的分类句子。

微调后的DistilBERT可以实现90.7的准确率，完整的BERT模型能达到94.9的准确率。

传送门

A Visual Guide to Using BERT for the First Time
https://jalammar.github.io/a-visual-guide-to-using-bert-for-the-first-time/

代码
https://github.com/jalammar/jalammar.github.io/blob/master/notebooks/bert/A_Visual_Notebook_to_Using_BERT_for_the_First_Time.ipynb

Colab
https://colab.research.google.com/github/jalammar/jalammar.github.io/blob/master/notebooks/bert/A_Visual_Notebook_to_Using_BERT_for_the_First_Time.ipynb

DistilBERT
https://medium.com/huggingface/distilbert-8cf3380435b5

— 完 —

大咖齐聚！量子位MEET大会正在直播

量子位 MEET 2020 智能未来大会正在直播！李开复、倪光南、景鲲、周伯文、吴明辉、曹旭东、叶杰平、唐文斌、王砚峰、黄刚、马原等AI大咖与你一起读懂人工智能。扫码观看直播吧~ ~