【BERT】小學生級上手教程，從原理到上手全有圖示，還能直接在線運行

• 2019 年 12 月 15 日
• 筆記

作者 Jay Alammar 伊瓢 編譯 量子位 出品 | 公眾號 QbitAI

BERT，作為自然語言處理領域的C位選手，總是NLPer們逃不過的一環。

但是，如果是經驗匱乏、基礎薄弱的選手，想玩轉BERT還是有點難的。

現在，科技博主Jay Alammar創作了一篇《第一次使用BERT的圖形化指南》，用非常簡單清晰的方式介紹了如何上手BERT，從BERT的原理到實際操作的過程都有圖示，甚至圖比代碼都多。量子位為大家編譯搬運如下~

這篇文章主要以用BERT的變體對句子進行分類為例，介紹了BERT的使用方式。

最後的傳送門處還有Colab的地址。

數據集：SST2

首先，我們需要用到SST2數據集，裏面的句子來自於一些電影評論。

如果評論者對電影表示肯定讚賞，就會有「1」的標籤；

如果評論者不喜歡這個電影，發表了負面評論，就會有「0」的標籤。

數據集里的電影評論是用英文寫的，大概長這樣：

句子情感分類模型

現在，藉助SST2影評數據集，我們需要創建一個自動對英文句子進行分類的模型。

如果判斷是肯定的、正面的，就標註1；如果判斷是否定的、負面的，就標註0。

大致的邏輯是這樣的：

輸入一句話，經過電影評論句子分類器，輸出積極或消極的結果。

這個模型實際上是兩個模型組成的。

DistilBERT負責處理句子，提取信息，然後傳遞給下一個模型，這是?「抱抱臉公司」（HuggingFace）做的一個開源BERT版本，比較輕量級而且運行快，性能和原版差不多。

下一個模型就是一個基本的邏輯回歸模型，它的輸入是DistilBERT的處理結果，輸出積極或消極的結果。

我們在兩個模型之間傳遞的數據是大小為768的向量，可以把這個向量當成可以用來分類的句子嵌入。

模型的訓練過程

雖然我們會用到兩個模型，但是我們只需要訓練邏輯回歸模型就行了，DistilBERT可以直接用預訓練好的版本。

不過，這個模型從來都沒有針對句子分類任務被訓練或微調過，我們從通用目標BERT獲取一些句子分類能力，尤其是對於第一個位置的BERT輸出而言（與[CLS]token相關），這是BERT的第二個訓練目標，接下來就是句子分類了，這個目標似乎是訓練模型將全句意義封裝到第一位置的輸出位置。

這個Transformer庫為我們提供了DistilBERT的實施和模型的預訓練版本。

教程概述

這是本篇教程的整個計劃，我們先用訓練過的DistilBERT來生成2000個句子的句子嵌入。

之後就不用再碰DistilBERT了，這裡都是Scikit Learn，我們在這個數據集上做常規的訓練和測試：

針對第一個模型也就是DistilBERT進行訓練測試，創建我們訓練用的數據集並評估第二個模型也就是邏輯回歸模型。

然後在訓練集上訓練邏輯回歸模型：

單個預測是如何進行的

在研究代碼解釋如何訓練模型之前，我們先看看一個訓練後的模型如何進行預測。

我們試着給這句話進行分類預測：

a visually stunning rumination on love 關於愛情的視覺上令人驚嘆的反省

第一步，用BERT tokenizer把句子分為兩個token；

第二步，我們加入句子分類用的特殊token（第一個位置的是[CLS]，句子結束的位置是[SEP]）。

第三步，tokenizer用嵌入表中的ID代替每個token，成為訓練模型的組件。

注意，tokenizer是在這一行代碼里完成所有步驟的：

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

現在我們的輸入句子是可以傳遞給DistilBERT的適當狀態了。

這個步驟可視化起來長這樣：

從DistilBERT經過

輸入向量從DistilBERT經過，輸出每個輸入token的向量，每個向量有768個數字組成。

因為這是個句子分類的任務，所以我們忽視掉除第一個向量之外的其他內容（第一個向量和[CLS]token相關），然後把第一個向量作為邏輯回歸模型的輸入。

從這裡開始，邏輯回歸模型的工作就是根據它從訓練過程中學到的經驗，把這個向量進行分類。

這個預測計算的過程是這樣的：

代碼

現在，開始看這整個過程的代碼，後面你也可以在傳送門裡看到GitHub代碼和Colab上的可運行版本。

首先，導入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里找到這個數據集，所以我們可以直接把它導入到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，看看數據集長啥樣。

1df.head()

然後就輸出：

導入預訓練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)

現在可以對這個數據集tokenize了。

注意，這一步和上面的例子不同，例子只處理了一個句子，但是我們要批處理所有的句子。

Tokenization

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

這一步讓每個句子都變成ID列表。

數據集是當前的列表（或者pandas Series/DataFrame），在DistilBERT處理它之前，我們需要給所有向量統一規格，給短句子加上token 0。

填上0之後，現在就有了一個成形的矩陣/張量可以投餵給BERT了：

用DistilBERT處理

現在，為填充的token矩陣創造一個輸入張量，發送給DistilBERT。

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

運行這一步之後，last_hidden_states保留DistilBERT的輸出。

打開BERT的輸出張量

解壓縮這個3-d輸出張量，先檢查它的尺寸：

回顧處理句子的過程

每行都和我們數據集里的一個句子關聯，回顧一下，整個處理過程是這樣的：

挑出重要部分

關於句子分類，我們只對BERT的[CLS] token輸出感興趣，所以我們只挑出重要部分就行了。

下面是從3D張量里挑出我們需要的2D張量的辦法：

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

現在的特徵是個2D numpy數組，裏面有我們數據集里所有句子的句子嵌入。

邏輯回歸數據集

現在我們有BERT的輸出了，前面邏輯回歸模型已經已經訓練好了。下圖的798列是特徵，標籤是初始數據集裏面的。

在完成傳統的機器學習訓練測試後，我們可以拿邏輯回歸模型再進行訓練。

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

將數據分為訓練集/測試集：

接下來，在訓練集上訓練邏輯回歸模型：

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

現在模型訓練完了，用測試集給它打分：

1lr_clf.score(test_features, test_labels)

得出的模型準確度為81%。

Score Benchmarks

作為參考，這個數據集目前的最高準確率得分為96.8.

在這個任務里，DistilBERT可以訓練來提升分數，這個過程叫做微調（fine-tuning），可以更新BERT的權重，來實現更好的分類句子。

微調後的DistilBERT可以實現90.7的準確率，完整的BERT模型能達到94.9的準確率。

傳送門

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

代碼 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