从11月初开始,google-research就陆续开源了bert的各个版本。google此次开源的bert是通过tensorflow高级API—— tf.estimator
进行封装(wrapper)的。因此对于不同数据集的适配,只需要修改代码中的processor部分,就能进行代码的训练、交叉验证和测试。
在自己的数据集上运行bert
bert的代码同论文里描述的一致,主要分为两个部分。一个是训练语言模型(language model)的预训练(pretrain)部分。另一个是训练具体任务(task)的fine-tune部分。在开源的代码中,预训练的入口是在run_pretraining.py
而fine-tune的入口针对不同的任务分别在run_classifier.py
和run_squad.py
。其中run_classifier.py
适用的任务为分类任务。如CoLA、MRPC、MultiNLI这些数据集。而run_squad.py
适用的是阅读理解(MRC)任务,如squad2.0和squad1.1。预训练是bert很重要的一个部分,与此同时,预训练需要巨大的运算资源。按照论文里描述的参数,其Base的设定在消费级的显卡Titan x 或Titan 1080ti(12GB RAM)上,甚至需要近几个月的时间进行预训练,同时还会面临显存不足的问题。不过所幸的是谷歌满足了issues#2里各国开发者的请求,针对大部分语言都公布了bert的预训练模型。因此在我们可以比较方便得在自己的数据集上进行fine-tune。
下载预训练模型
对于中文而言,google公布了一个参数较小的bert预训练模型。具体参数数值如下所示:
Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters
模型的下载链接可以在github上google的开源代码里找到。对下载的压缩文件进行解压,可以看到文件里有五个文件,其中bert_model.ckpt开头的文件是负责模型变量载入的,而vocab.txt是训练时中文文本采用的字典,最后bert_config.json是bert在训练时,可选调整的一些参数。
修改processor
任何模型的训练、预测都是需要有一个明确的输入,而bert代码中processor就是负责对模型的输入进行处理。我们以分类任务的为例,介绍如何修改processor来运行自己数据集上的fine-tune。在run_classsifier.py
文件中我们可以看到,google对于一些公开数据集已经写了一些processor,如XnliProcessor
,MnliProcessor
,MrpcProcessor
和ColaProcessor
。这给我们提供了一个很好的示例,指导我们如何针对自己的数据集来写processor。
对于一个需要执行训练、交叉验证和测试完整过程的模型而言,自定义的processor里需要继承DataProcessor,并重载获取label的get_labels
和获取单个输入的get_train_examples
,get_dev_examples
和get_test_examples
函数。其分别会在main
函数的FLAGS.do_train
、FLAGS.do_eval
和FLAGS.do_predict
阶段被调用。
这三个函数的内容是相差无几的,区别只在于需要指定各自读入文件的地址。以get_train_examples
为例,函数需要返回一个由InputExample
类组成的list
。InputExample
类是一个很简单的类,只有初始化函数,需要传入的参数中guid是用来区分每个example的,可以按照train-%d'%(i)
的方式进行定义。text_a是一串字符串,text_b则是另一串字符串。在进行后续输入处理后(bert代码中已包含,不需要自己完成) text_a和text_b将组合成[CLS] text_a [SEP] text_b [SEP]
的形式传入模型。最后一个参数label也是字符串的形式,label的内容需要保证出现在get_labels
函数返回的list
里。
举一个例子,假设我们想要处理一个能够判断句子相似度的模型,现在在data_dir
的路径下有一个名为train.csv
的输入文件,如果我们现在输入文件的格式如下csv形式:
1 | 1,你好,您好 |
那么我们可以写一个如下的get_train_examples
的函数。当然对于csv的处理,可以使用诸如csv.reader
的形式进行读入。
1 | def get_train_examples(self, data_dir): |
同时对应判断句子相似度这个二分类任务,get_labels
函数可以写成如下的形式:
1 | def get_labels(self): |
在对get_dev_examples
和get_test_examples
函数做类似get_train_examples
的操作后,便完成了对processor的修改。其中get_test_examples
可以传入一个随意的label数值,因为在模型的预测(prediction)中label将不会参与计算。
修改processor字典
修改完成processor后,需要在在原本main
函数的processor字典里,加入修改后的processor类,即可在运行参数里指定调用该processor。
1 | processors = { |
运行fine-tune
之后就可以直接运行run_classsifier.py
进行模型的训练。在运行时需要制定一些参数,一个较为完整的运行参数如下所示:
1 | export BERT_BASE_DIR=/path/to/bert/chinese_L-12_H-768_A-12 #全局变量 下载的预训练bert地址 |
bert源代码里还有什么
在开始训练我们自己fine-tune的bert后,我们可以再来看看bert代码里除了processor之外的一些部分。
我们可以发现,process在得到字符串形式的输入后,在file_based_convert_examples_to_features
里先是对字符串长度,加入[CLS]和[SEP]等一些处理后,将其写入成TFrecord的形式。这是为了能在estimator里有一个更为高效和简易的读入。
我们还可以发现,在create_model
的函数里,除了从modeling.py
获取模型主干输出之外,还有进行fine-tune时候的loss计算。因此,如果对于fine-tune的结构有自定义的要求,可以在这部分对代码进行修改。如进行NER任务的时候,可以按照bert论文里的方式,不只读第一位的logits,而是将每一位logits进行读取。
bert这次开源的代码,由于是考虑在google自己的TPU上高效地运行,因此采用的estimator是tf.contrib.tpu.TPUEstimator
,虽然tpu的estimator同样可以在gpu和cpu上运行,但若想在gpu上更高效得做一些提升,可以考虑将其换成tf.estimator.Estimator
,于此同时model_fn里一些tf.contrib.tpu.TPUEstimatorSpec
也需要修改成tf.estimator.EstimatorSpec
的形式,以及相关调用参数也需要做一些调整。在转换成较普通的estimator后便可以使用常用的方式对estimator进行处理,如生成用于部署的.pb
文件等。
issues里一些有趣的内容
从google对bert进行开源开始,issues里的讨论便异常活跃,bert论文第一作者javob devlin也积极地在issues里进行回应,在交流讨论中,产生了一些很有趣的内容。
在#95中大家讨论了bert模型在今年ai-challenger比赛上的应用。我们也同样尝试了bert在ai-challenger的mrc赛道的表现。如果简单得地将mrc的文本连接成一个长字符串的形式,可以在dev集上得到79.1%的准确率。如果参考openAI的GPT论文里multi-choice的形式对bert的输入输出代码进行修改则可以将准确率提高到79.3%。采用的参数都是bert默认的参数,而单一模型成绩在赛道的test a排名中已经能超过榜单上的第一名。因此,在相关中文的任务中,bert能有很大的想象空间。
在#123中,@hanxiao给出了一个采用ZeroMQ便捷部署bert的service,可以直接调用训练好的模型作为应用的接口。同时他将bert改为一个大的encode模型,将文本通过bert进行encode,来实现句子级的encode。此外,他对比了多GPU上的性能,发现bert在多GPU并行上的出色表现。
总结
总得来说,google此次开源的bert和其预训练模型是非常有价值的,可探索和改进的内容也很多。相关数据集上已经出现了对bert进行修改后的复合模型,如squad2.0上哈工大(HIT)的AoA + DA + BERT
以及西湖大学(DAMO)的SLQA + BERT
。
在感谢google这份付出的同时,我们也可以借此站在巨人的肩膀上,尝试将其运用在自然语言处理领域的方方面面,让人工智能的梦想更近一步。