如何使用BERT实现中文的文本分类(附代码)
如何使用BERT模型实现中文的文本分类
- 前言
- Pytorch
- readme
- 参数表
- 算法流程
- 1. 概述
- 2. 读取数据
- 3. 特征转换
- 4. 模型训练
- 5. 模型测试
- 6. 测试结果
- 7. 总结
前言
- Google官方BERT代码(Tensorflow)
- 本文章参考的BERT分类代码(Pytorch)
- 本文章改进的BERT中文文本分类代码(Pytorch)
- BERT模型介绍
Pytorch
readme
- 请先安装pytorch的BERT代码,代码源见前言(2)
pip install pytorch-pretrained-bert
参数表
data_dir | bert_model | task_name |
---|---|---|
输入数据目录 | 加载的bert模型,对于中文文本请输入’bert-base-chinese’ | 输入数据预处理模块,最好根据应用场景自定义 |
model_save_pth | max_seq_length* | train_batch_size |
模型参数保存地址 | 最大文本长度 | batch大小 |
learning_rate | num_train_epochs | |
Adam初始学习步长 | 最大epoch数 |
* max_seq_length = 所设定的文本长度 + 2 ,BERT会给每个输入文本开头和结尾分别加上[CLS]和[SEP]标识符,因此会占用2个字符空间,其作用会在后续进行详细说明。
算法流程
1. 概述
2. 读取数据
- 对应于参数表中的task_name,是用于数据读取的模块
- 可以根据自身需要自定义新的数据读取模块
- 以输入数据为json文件时为例,数据读取模块包含两个部分:
- 基类DataProcessor:
class DataProcessor(object): def get_train_examples(self, data_dir):raise NotImplementedError()def get_dev_examples(self, data_dir):raise NotImplementedError()def get_test_examples(self, data_dir):raise NotImplementedError()def get_labels(self):raise NotImplementedError()@classmethoddef _read_json(cls, input_file, quotechar=None):"""Reads a tab separated value file."""dicts = []with codecs.open(input_file, 'r', 'utf-8') as infs:for inf in infs:inf = inf.strip()dicts.append(json.loads(inf))return dicts
- 用于数据读取的模块MyPro:
class MyPro(DataProcessor):def get_train_examples(self, data_dir):return self._create_examples(self._read_json(os.path.join(data_dir, "train.json")), 'train')def get_dev_examples(self, data_dir):return self._create_examples(self._read_json(os.path.join(data_dir, "val.json")), 'dev')def get_test_examples(self, data_dir):return self._create_examples(self._read_json(os.path.join(data_dir, "test.json")), 'test')def get_labels(self):return [0, 1]def _create_examples(self, dicts, set_type):examples = []for (i, infor) in enumerate(dicts):guid = "%s-%s" % (set_type, i)text_a = infor['question']label = infor['label']examples.append(InputExample(guid=guid, text_a=text_a, label=label))return examples
- 基类DataProcessor:
- 需要注意的几点是:
- data_dir目录下应包含名为train、val、test的三个文件,根据文件格式不同需要对读取方式进行修改
- get_labels()返回的是所有可能的类别label_list,比如
['数学', '英语', '语文']
、[1, 2, 3]
… - 模块最终返回一个名为examples的列表,每个列表元素中包含序号、中文文本、类别三个元素
3. 特征转换
- convert_examples_to_features是用于将examples转换为特征,也即features的函数。
- features包含4个数据:
- input_ids:分词后每个词语在vocabulary中的id,补全符号对应的id为0,[CLS]和[SEP]的id分别为101和102。应注意的是,在中文BERT模型中,中文分词是基于字而非词的分词。
- input_mask:真实字符/补全字符标识符,真实文本的每个字对应1,补全符号对应0,[CLS]和[SEP]也为1。
- segment_ids:句子A和句子B分隔符,句子A对应的全为0,句子B对应的全为1。但是在多数文本分类情况下并不会用到句子B,所以基本不用管。
- label_id :将label_list中的元素利用字典转换为index标识,即
label_map = {} for (i, label) in enumerate(label_list):label_map[label] = i
- features中一个元素的例子是:
- 转换完成后的特征值就可以作为输入,用于模型的训练和测试
4. 模型训练
- 完成读取数据、特征转换之后,将特征送入模型进行训练
- 训练算法为BERT专用的Adam算法
- 训练集、测试集、验证集比例为6:2:2
- 每一个epoch后会在验证集上进行验证,并给出相应的f1值,如果f1值大于此前最高分则保存模型参数,否则flags加1。如果flags大于6,也即连续6个epoch模型的性能都没有继续优化,停止训练过程。
f1 = val(model, processor, args, label_list, tokenizer, device) if f1 > best_score:best_score = f1print('*f1 score = {}'.format(f1))flags = 0checkpoint = {'state_dict': model.state_dict()}torch.save(checkpoint, args.model_save_pth) else:print('f1 score = {}'.format(f1))flags += 1if flags >=6:break
- 如果epoch数超过先前设定的num_train_epochs,同样会停止迭代。
5. 模型测试
- 先加载模型
- 送数据,取得分,完事
- 暂时还没加打印测试结果到文件的功能,后续会加上
6. 测试结果
val_F1 | test_F1 | |
---|---|---|
Fast text | 0.7218 | 0.7094 |
Text rnn + bigru | 0.7383 | 0.7194 |
Text cnn | 0.7292 | 0.7088 |
bigru + attention | 0.7335 | 0.7146 |
RCNN | 0.7355 | 0.7213 |
BERT | 0.7938 | 0.787 |
- 基于真实数据做的文本分类,用过不少模型,BERT的性能可以说是独一档
- BERT确实牛逼,不过一部分原因也是模型量级就不一样
7. 总结
- 使用代码的时候按照参数表修改下参数,把数据按照命名规范放data_dir目录下一般就没啥问题了
- 最多还要修改下读取数据的代码(如果数据不是.json格式的),就可以跑通了
- 最后可以根据个人需要,对模型训练逻辑、epoch数、学习步长等地方做进一步修改
- 代码地址已经放在前言(3)里了
如何使用BERT实现中文的文本分类(附代码)相关推荐
- 【NLP保姆级教程】手把手带你RNN文本分类(附代码)
写在前面 这是NLP保姆级教程的第二篇----基于RNN的文本分类实现(Text RNN) 参考的的论文是来自2016年复旦大学IJCAI上的发表的关于循环神经网络在多任务文本分类上的应用:Recur ...
- 【NLP傻瓜式教程】手把手带你RCNN文本分类(附代码)
继续之前的文本分类系列 [NLP傻瓜式教程]手把手带你CNN文本分类(附代码) [NLP傻瓜式教程]手把手带你RNN文本分类(附代码) [NLP傻瓜式教程]手把手带你fastText文本分类(附代码) ...
- 【NLP傻瓜式教程】手把手带你HAN文本分类(附代码)
继续之前的文本分类系列 [NLP傻瓜式教程]手把手带你CNN文本分类(附代码) [NLP傻瓜式教程]手把手带你RNN文本分类(附代码) [NLP傻瓜式教程]手把手带你fastText文本分类(附代码) ...
- 【NLP傻瓜式教程】手把手带你fastText文本分类(附代码)
写在前面 已经发布: [NLP傻瓜式教程]手把手带你CNN文本分类(附代码) [NLP傻瓜式教程]手把手带你RNN文本分类(附代码) 继续NLP傻瓜式教程系列,今天的教程是基于FAIR的Bag of ...
- 毕业设计-基于 BERT 的中文长文本分类系统
目录 前言 课题背景和意义 实现技术思路 一.文本分类的相关技术 二.文本表示模型 三.文本分类模型 实现效果图样例 最后 前言
- 【NLP傻瓜式教程】手把手带你CNN文本分类(附代码)
文章来源于NewBeeNLP,作者kaiyuan 写在前面 本文是对经典论文<Convolutional Neural Networks for Sentence Classification[ ...
- 【NLP保姆级教程】手把手带你CNN文本分类(附代码)
分享一篇老文章,文本分类的原理和代码详解,非常适合NLP入门! 写在前面 本文是对经典论文<Convolutional Neural Networks for Sentence Classifi ...
- 【NLP】保姆级教程:手把手带你CNN文本分类(附代码)
分享一篇老文章,文本分类的原理和代码详解,非常适合NLP入门! 写在前面 本文是对经典论文<Convolutional Neural Networks for Sentence Classifi ...
- 【NLP傻瓜式教程】手把手带你RNN文本分类(附代码)
文章来源于NewBeeNLP,作者kaiyuan 写在前面 这是NLP傻瓜式教程的第二篇----基于RNN的文本分类实现(Text RNN) 参考的的论文是来自2016年复旦大学IJCAI上的发表的关 ...
最新文章
- POI Excel 如何插入新的行?
- 用python画关系网络图-使用python画社交网络图实例代码
- Asp.net MVC3.0 入门指南 7.1 展示查找页面
- mybatis 自定义函数_JDK动态代理一定要有代理对象吗?请你结合Mybatis回答
- 微信有电脑客户端吗_一个小程序,就能让你用手机控制电脑~
- 加强自己的电脑安全决招
- JavaScript新发展 CoffeeScript Dart Rust Node.js
- 关系数据库——mysql数据类型大总结
- 计算机操作系统读者和写者模型的简单介绍以及思考
- mysql5.0 mac_Mac OS X下MySQL 5.0的默认连接数
- Android BroadcastReceiver示例教程
- 修改完out不更新_CyclicBarrier 不就是比 CountDownLatch 多了个回环么?
- 如何避免循环中丑陋的break和continue
- 超级强大服务器终端,告别 XShell 打造强大的Windows 终端
- 小程序 自定义气泡框
- Foxmail登录不上163邮箱。。。
- python selenium爬虫 不打开网页 不打开浏览器
- Personal Information
- java 生成随机编码_Java生成随机编码
- SQL Server 数据库中数据库表导出为Excel表格