最简单的BERT模型调用方法
- 2020 年 2 月 14 日
- 筆記
本文地址：https://github.com/qhduan/bert-model
BERT Models
注达到本文效果基本要求Tensorflow 2.0
也许，是最简单的BERT预加载模型。
当然，实现起来是有一些tricky的，而且tokenizer并不是真正的bert的tokenizer，中文大部分不会有太大问题，英文的话实际上因为考虑BPE，所以肯定是不行的。
本项目重点在于，实际上我们是可以通过非常非常简单的几行代码，就能实现一个几乎达到SOTA的模型的。
BERT分类模型（pool模式）
返回一个1×768的张量，相当于句子的固定长度Embedding
根据一个实际Chinese GLUE的测试样例：COLAB DEMO
import tensorflow_hub as hub # 注意这里最后是 pool.tar.gz model = hub.KerasLayer('https://code.aliyun.com/qhduan/chinese_roberta_wwm_ext_L-12_H-768_A-12/raw/master/pool.tar.gz') # y.shape == (1, 768) y = model([['我爱你']])
一个非常简单的分类例子（classifier.py）：
import os # 让TFHUB显示下载进度 os.environ['TFHUB_DOWNLOAD_PROGRESS'] = "1" import tensorflow as tf import tensorflow_hub as hub x = [ ['我爱你'], ['我恨你'], ['爱你'], ['恨你'], ['爱'], ['恨'], ] y = [ 1, 0, 1, 0, 1, 0 ] tx = tf.constant(x) ty = tf.constant(tf.keras.utils.to_categorical(y, 2)) # 注意这里最后是 pool.tar.gz model = tf.keras.Sequential([ hub.KerasLayer('https://code.aliyun.com/qhduan/chinese_roberta_wwm_ext_L-12_H-768_A-12/raw/master/pool.tar.gz', trainable=False), tf.keras.layers.Dense(2, activation='softmax') ]) model.compile(loss='categorical_crossentropy') model.fit(tx, ty, epochs=10, batch_size=2) logits = model.predict(tx) pred = logits.argmax(-1).tolist() print(pred) print(y)
BERT序列模型（SEQ）
返回一个序列的Embedding的模型
import tensorflow_hub as hub # 注意这里最后是 seq.tar.gz model = hub.KerasLayer('https://code.aliyun.com/qhduan/chinese_roberta_wwm_ext_L-12_H-768_A-12/raw/master/seq.tar.gz') # y.shape == (1, 5, 768) # [CLS], 我, 爱, 你, [SEP]，所以一共5个符号 y = model([['我爱你']])
BERT预测模型（PRED）
例如使用mask预测缺字
import tensorflow_hub as hub # 注意这里最后是 pred.tar.gz model = hub.KerasLayer('https://code.aliyun.com/qhduan/chinese_roberta_wwm_ext_L-12_H-768_A-12/raw/master/pred.tar.gz') # y.shape == (1, 5, 21128) y = model([['我[MASK]你']]) index2word = {k: v.strip() for k, v in enumerate(open('vocab.txt'))} # 我 爱 你 r = [index2word[i] for i in y.numpy().argmax(-1).flatten()][1:-1]
模型引用
REPO地址：https://github.com/qhduan/bert-model
Roberta和WMM来自ymcui
