300 lines
20 KiB
Markdown
300 lines
20 KiB
Markdown
# 24 | 文本分类：如何使用BERT构建文本分类模型？
|
||
|
||
你好，我是方远。
|
||
|
||
在第22节课我们一起学习了不少文本处理方面的理论，其实文本分类在机器学习领域的应用也非常广泛。
|
||
|
||
比如说你现在是一个NLP研发工程师，老板啪地一下甩给你一大堆新闻文本数据，它们可能来源于不同的领域，比如体育、政治、经济、社会等类型。这时我们就需要对文本分类处理，方便用户快速查询自己感兴趣的内容，甚至按用户的需要定向推荐某类内容。
|
||
|
||
这样的需求就非常适合用PyTorch + BERT处理。为什么会选择BERT呢？因为BERT是比较典型的深度学习NLP算法模型，也是业界使用最广泛的模型之一。接下来，我们就一起来搭建这个文本分类模型，相信我，它的效果表现非常强悍。
|
||
|
||
## 问题背景与分析
|
||
|
||
正式动手之前，我们不妨回顾一下历史。文本分类问题有很多经典解决办法。
|
||
|
||
开始时就是最简单粗暴的关键词统计方法。之后又有了基于贝叶斯概率的分类方法，通过某些条件发生的概率推断某个类别的概率大小，并作为最终分类的决策依据。尽管这个思想很简单，但是意义重大，时至今日，贝叶斯方法仍旧是非常多应用场景下的好选择。
|
||
|
||
之后还有支持向量机（SVM），很长一段时间，其变体和应用都在NLP算法应用的问题场景下占据统治地位。
|
||
|
||
随着计算设备性能的提升、新的算法理论的产生等进步，一大批的诸如随机森林、LDA主题模型、神经网络等方法纷纷涌现，可谓百家争鸣。
|
||
|
||
既然有这么多方法，为什么这里我们这里推荐选用BERT呢？
|
||
|
||
因为在很多情况下，尤其是一些复杂场景下的文本，像BERT这样具有强大处理能力的工具才能应对。比如说新闻文本就不好分类，因为它存在后面这些问题。
|
||
|
||
1.**类别多**。在新闻资讯App中，新闻的种类是非常多的，需要产品经理按照统计、实用的原则进行文章分类体系的设计，使其类别能够覆盖所有的文本，一般来说都有50种甚至以上。不过为了让你把握重点，咱们先简化问题，假定文本的分类体系已经确定。
|
||
|
||
2.**数据不平衡**。不难理解，在新闻中，社会、经济、体育、娱乐等类别的文章数量相对来说是比较多的，占据了很大的比例；而少儿、医疗等类别则相对较少，有的时候一天也没有几篇对应的文章。
|
||
|
||
3.**多语言。**一般来说，咱们主要的语言除了中文，应该是大多数人只会英语了，不过为了考虑到新闻来源的广泛性，咱们也假定这批文本是多语言的。
|
||
|
||
刚才提到了，因为Bert是比较典型的深度学习NLP算法模型，也是业界使用最广泛的模型之一。如果拿下这么有代表性的模型，以后你学习和使用基于Attention的模型你也能举一反三，比如GPT等。
|
||
|
||
想要用好BERT，我们需要先了解它有哪些特点。
|
||
|
||
## BERT原理与特点分析
|
||
|
||
BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder。作为一种基于Attention方法的模型，它最开始出现的时候可以说是抢尽了风头，在文本分类、自动对话、语义理解等十几项NLP任务上拿到了历史最好成绩。
|
||
|
||
在[第22节课](https://time.geekbang.org/column/article/461691)（如果不熟悉可以回看），我们已经了解了Attention的基本原理，有了这个知识做基础，我们很容易就能快速掌握BERT的原理。
|
||
|
||
这里我再快速给你回顾一下，BERT的理论框架主要是基于论文《Attention is all you need》中提出的Transformer，而后者的原理则是刚才提到的Attention。**其最为明显的特点，就是摒弃了传统的RNN和CNN逻辑，有效解决了NLP中的长期依赖问题。**
|
||
|
||
|
||
|
||
在BERT中，它的输入部分，也就是图片的左边，其实是由N个多头Attention组合而成。多头Attention是将模型分为多个头，形成多个子空间，可以让模型去关注不同方面的信息，这有助于网络捕捉到更丰富的特征或者信息。（具体原理，一定要查阅[《Attention is all you need》](https://arxiv.org/abs/1706.03762)哦）。
|
||
|
||
结合上图我们要注意的是，BERT采用了基于MLM的模型训练方式，即Mask Language Model。因为BERT是Transformer的一部分，即encoder环节，所以没有decoder的部分（其实就是GPT）。
|
||
|
||
为了解决这个问题，MLM方式应运而生。它的思想也非常简单，就是在**训练之前，随机将文本中一部分的词语（token）进行屏蔽（mask），然后在训练的过程中，使用其他没有被屏蔽的token对被屏蔽的token进行预测**。
|
||
|
||
|
||
|
||
用过Word2Vec的小伙伴应该比较清楚，在Word2Vec中，对于同一个词语，它的向量表示是固定的，这也就是为什么会有那个经典的“_国王-男人+女人=皇后_”计算式了。
|
||
|
||
但是有一个问题，“苹果”这个词，有可能是水果的苹果，也可能是电子产品的品牌，如果还是用同一个向量表示，这样就有可能产生偏差。而在BERT中则不一样，根据上下文的不同，对于同一个token给出的词向量是动态变化的，更加灵活。
|
||
|
||
此外，BERT还有多语言的优势。在以前的算法中，比如SVM，如果要做多语言的模型，就要涉及分词、提取关键词等操作，而这些操作要求你对该语言有所了解。像阿拉伯文、日语等语言，咱们大概率是看不懂的，这会对我们最后的模型效果产生极大影响。
|
||
|
||
BERT则不需要担心这个问题，通过基于字符、字符片段、单词等不同粒度的token覆盖并作WordPiece，能够覆盖上百种语言，甚至可以说，只要你能够发明出一种逻辑上自洽的语言，BERT就能够处理。有关WordPiece的介绍，你可以通过[这里](https://paperswithcode.com/method/wordpiece)做拓展阅读。
|
||
|
||
好，说了这么多，集高效、准确、灵活再加上用途广泛于一体的BERT，自然而然就成为了咱们的首选，下面咱们开始正式构建一个文本分类模型。
|
||
|
||
## 安装与准备
|
||
|
||
工欲善其事，必先利其器，在开始构建模型之前，我们要安装相应的工具，然后下载对应的预先训练好的模型，同时还要了解数据的格式。
|
||
|
||
### 环境准备
|
||
|
||
因为咱们要做的是一个基于PyTorch 的BERT模型，那么就要安装对应的python包，这里我选择的是hugging face的PyTorch版本的Transformers包。你可以通过pip命令直接安装。
|
||
|
||
```
|
||
pip install Transformers
|
||
|
||
```
|
||
|
||
### 模型准备
|
||
|
||
安装之后，我们打开Transformers的[git页面](https://github.com/huggingface/transformers)，并找到如下的文件夹。
|
||
|
||
```plain
|
||
src/Transformers/models/BERT
|
||
|
||
```
|
||
|
||
从这个文件夹里，我们需要找到两个很重要的文件，分别是convert\_BERT\_original\_tf2\_checkpoint\_to\_PyTorch.py和modeling\_BERT.py文件。
|
||
|
||
先来看第一个文件，你看看名字，是不是就能猜出来，它大概是用来做什么的了？没错，就是用来将原来通过TensorfFlow预训练的模型转换为PyTorch的模型。
|
||
|
||
然后是modeling\_BERT.py文件，这个文件实际上是给了你一个使用BERT的范例。
|
||
|
||
下面，咱们开始准备模型，打开[这个地址](https://github.com/tensorflow/models/tree/master/official/nlp/bert)，你会发现在这个页面中，有几个预训练好的模型。
|
||
|
||
|
||
|
||
对照这节课的任务，我们选择的是“BERT-Base, Multilingual Cased”的版本。从GitHub的介绍可以看出，这个版本的checkpoint支持104种语言，是不是很厉害？当然，如果你没有多语言的需求，也可以选择其他版本的，它们的区别主要是网络的体积不同。
|
||
|
||
转换完模型之后，你会发现你的本地多了三个文件，分别是config.json、pytorch\_model.bin和vocab.txt。我来分别给你说一说。
|
||
|
||
|
||
|
||
1.config.json：顾名思义，该文件就是BERT模型的配置文件，里面记录了所有用于训练的参数设置。
|
||
|
||
2.PyTorch\_model.bin：模型文件本身。
|
||
|
||
3.vocab.txt：词表文件。尽管BERT可以处理一百多种语言，但是它仍旧需要词表文件用于识别所支持语言的字符、字符串或者单词。
|
||
|
||
### 格式准备
|
||
|
||
现在模型准备好了，我们还要看看跟模型匹配的格式。BERT的输入不算复杂，但是也需要了解其形式。在训练的时候，我们输入的数据不能是直接把词塞到模型里，而是要转化成后面这三种向量。
|
||
|
||
1.**Token embeddings**：词向量。这里需要注意的是，Token embeddings的第一个开头的token一定得是“\[CLS\]”。\[CLS\]作为整篇文本的语义表示，用于文本分类等任务。
|
||
|
||
2.**Segment embeddings**。这个向量主要是用来将两句话进行区分，比如问答任务，会有问句和答句同时输入，这就需要一个能够区分两句话的操作。不过在咱们此次的分类任务中，只有一个句子。
|
||
|
||
3.**Position embeddings**。记录了单词的位置信息。
|
||
|
||
## 模型构建
|
||
|
||
准备工作已经一切就绪，我们这就来搭建一个基于BERT的文本分类网络模型。这包括了**网络的设计、配置、以及数据准备，这个过程也是咱们的核心过程**。
|
||
|
||
### 网络设计
|
||
|
||
从上面提到的modeling\_BERT.py文件中，我们可以看到，作者实际上已经给我们提供了很多种类的NLP任务的示例代码，咱们找到其中的“BERTForSequenceClassification”，这个分类网络我们可以直接使用，它也是最最基础的BERT文本分类的流程。
|
||
|
||
这个过程包括了利用**BERT得到文本的embedding表示**、**将embedding放入全连接层得到分类结果**两部分。我们具体看一下代码。
|
||
|
||
```python
|
||
class BERTForSequenceClassification(BERTPreTrainedModel):
|
||
def __init__(self, config):
|
||
super().__init__(config)
|
||
self.num_labels = config.num_labels//类别标签数量
|
||
self.bert = BertModel(config)
|
||
self.dropout = nn.Dropout(config.hidden_dropout_prob)//还记得Dropout是用来做什么的吗？对，可以一定程度防止过拟合。
|
||
self.classifier = nn.Linear(config.hidden_size, config.num_labels)//BERT输出的embedding传入一个MLP层做分类。
|
||
self.init_weights()
|
||
|
||
def forward(
|
||
self,
|
||
input_ids=None,
|
||
attention_mask=None,
|
||
token_type_ids=None,
|
||
position_ids=None,
|
||
head_mask=None,
|
||
inputs_embeds=None,
|
||
labels=None,
|
||
output_attentions=None,
|
||
output_hidden_states=None,
|
||
return_dict=None,
|
||
):
|
||
outputs = self.bert(
|
||
input_ids,
|
||
attention_mask=attention_mask,
|
||
token_type_ids=token_type_ids,
|
||
position_ids=position_ids,
|
||
head_mask=head_mask,
|
||
inputs_embeds=inputs_embeds,
|
||
output_attentions=output_attentions,
|
||
output_hidden_states=output_hidden_states,
|
||
return_dict=return_dict,
|
||
)
|
||
|
||
pooled_output = outputs[1]//这个就是经过BERT得到的中间输出。
|
||
|
||
pooled_output = self.dropout(pooled_output)//对，就是为了减少过拟合和增加网络的健壮性。
|
||
logits = self.classifier(pooled_output)//多层MLP输出最后的分类结果。
|
||
|
||
|
||
```
|
||
|
||
对照前面的代码，可以发现，接收到输入信息之后，BERT返回了一个outputs，outputs包括了模型计算之后的全部结果，不仅有每个token的信息，也有整个文本的信息，这个输出具体包括以下信息。
|
||
|
||
last\_hidden\_state是模型最后一层输出的隐藏层状态序列。shape是(batch\_size, sequence\_length, hidden\_size)。其中hidden\_size=768，这个部分的状态，就相当于利用sequence\_length \* 768维度的矩阵，记录了整个文本的计算之后的每一个token的结果信息。
|
||
|
||
pooled\_output，代表序列的第一个token的最后一个隐藏层的状态。shape是(batch\_size, hidden\_size)。所谓的第一个token，就是咱们刚才提到的\[CLS\]标签。
|
||
|
||
除了上面两个信息，还有hidden\_states、attentions、cross attentions。有兴趣的小伙伴可以去查一下，它们有何用途。
|
||
|
||
通常的任务中，我们用得比较多的是last\_hidden\_state对应的信息，我们可以用pooled\_output = outputs\[1\]来进行获取。
|
||
|
||
至此，我们已经有了经过BERT计算的文本向量表示，然后我们将其输入到一个linear层中进行分类，就可以得到最后的分类结果了。**为了提高模型的表现，我们往往会在linear层之前，加入一个dropout层，这样可以减少网络的过拟合的可能性，同时增强神经元的独立性**。
|
||
|
||
### 模型配置
|
||
|
||
设计好网络，我们还要对模型进行配置。还记得刚才提到的config.json文件么？这里面就记录了BERT模型所需的所有配置信息，我们需要对其中的几个内容进行调整，这样模型就能知道我们到底是要做什么事情了。
|
||
|
||
后面这几个字段我专门说一下。
|
||
|
||
* id2label：这个字段记录了类别标签和类别名称的映射关系。
|
||
* label2id：这个字段记录了类别名称和类别标签的映射关系。
|
||
* num\_labels\_cate：类别的数量。
|
||
|
||
## 数据准备
|
||
|
||
模型网络设计好了，配置文件也搞定了，下面我们就要开始数据准备这一步了。这里的数据准备是指将文本转换为BERT能够识别的形式，即前面提到的三种向量，在代码中，对应的就是input\_ids、token\_type\_ids、attention\_mask。
|
||
|
||
为了生成这些数据，我们需要在git中找到“src/Transformers/data/processors/utils.py”文件，在这个文件中，我们要用到以下几个内容。
|
||
|
||
1.InputExample：它用于记录单个训练数据的文本内容的结构。
|
||
|
||
2.DataProcessor：通过这个类中的函数，我们可以将训练数据集的文本，表示为多个InputExample组成的数据集合。
|
||
|
||
3.get\_features：用于把InputExample数据转换成BERT能够理解的数据结构的关键函数。我们具体来看一下各个数据都怎么生成的。
|
||
|
||
input\_ids记录了输入token对应在vocab.txt的id序号，它是通过如下的代码得到的。
|
||
|
||
```python
|
||
input_ids = tokenizer.encode(
|
||
example.text_a,
|
||
add_special_tokens=True,
|
||
max_length=min(max_length, tokenizer.max_len),
|
||
)
|
||
|
||
```
|
||
|
||
而attention\_mask记录了属于第一个句子的token信息，通过如下代码得到。
|
||
|
||
```python
|
||
attention_mask = [1 if mask_padding_with_zero else 0] * len(input_ids)
|
||
attention_mask = attention_mask + ([0 if mask_padding_with_zero else 1] * padding_length)
|
||
|
||
```
|
||
|
||
另外，不要忘记记录文本类别的信息（label）。你可以自己想想看，能否按照utils.py文件中的声明方式，构建出对应的label信息呢？
|
||
|
||
## 模型训练
|
||
|
||
到目前为止，我们有了网络结构定义（BERTForSequenceClassification）、数据集合（get\_features），现在就可以开始编写实现训练过程的代码了。
|
||
|
||
### 选择优化器
|
||
|
||
首先我们来选择优化器，代码如下。我们要对网络中的所有权重参数进行设置，这样优化器就可以知道哪些参数是要进行优化的。然后我们将参数list放到优化器中，BERT使用的是AdamW优化器。
|
||
|
||
```plain
|
||
param_optimizer = list(model.named_parameters())
|
||
no_decay = ['bias', 'LayerNorm.bias', 'LayerNorm.weight']
|
||
optimizer_grouped_parameters = [
|
||
{'params': [p for n, p in param_optimizer if not any(nd in n for nd in no_decay)], 'weight_decay': 0.01},
|
||
{'params': [p for n, p in param_optimizer if any(nd in n for nd in no_decay)], 'weight_decay': 0.0}
|
||
]
|
||
optimizer = AdamW(optimizer_grouped_parameters, lr=args.learning_rate, eps=args.adam_epsilon)
|
||
|
||
```
|
||
|
||
这部分的代码，主要是为了选择一个合适咱们模型任务的优化器，并将网络中的参数设定好学习率。
|
||
|
||
### 构建训练过程逻辑
|
||
|
||
训练的过程逻辑是非常简单的，只需要两个for循环，分别代表epoch和batch，然后在最内部增加**一个训练核心语句，**以及**一个梯度更新语句**，这就足够了。可以看到，PyTorch在工程代码的实现上，封装得非常完善和简练。
|
||
|
||
```plain
|
||
for epoch in trange(0, args.num_train_epochs):
|
||
model.train()//一定别忘了要把模型设置为训练状态。
|
||
for step, batch in enumerate(tqdm(train_dataLoader, desc='Iteration')):
|
||
step_loss = training_step(batch)//训练的核心环节
|
||
tr_loss += step_loss[0]
|
||
optimizer.step()
|
||
optimizer.zero_grad()
|
||
|
||
```
|
||
|
||
### 训练的核心环节
|
||
|
||
训练的核心环节，你需要关注两个部分，分别是**通过网络得到预测输出**，也就是logits，以及**基于logits计算得到的loss**，loss是整个模型使用梯度更新需要用到的数据。
|
||
|
||
```plain
|
||
def training_step(batch):
|
||
input_ids, token_type_ids, attention_mask, labels = batch
|
||
input_ids = input_ids.to(device)//将数据发送到GPU
|
||
token_type_ids = token_type_ids.to(device)
|
||
attention_mask = attention_mask.to(device)
|
||
labels = labels_voc.to(device)
|
||
|
||
logits = model(input_ids,
|
||
token_type_ids=token_type_ids,
|
||
attention_mask=attention_mask,
|
||
labels=labels)
|
||
loss_fct = BCEWithLogitsLoss()
|
||
loss = loss_fct(logits.view(-1, num_labels_cate), labels.view(-1, num_labels_cate).float())
|
||
loss.backward()
|
||
|
||
```
|
||
|
||
至此，咱们已经快速构建出了一个BERT分类器所需的所有关键代码。但是仍旧有一些小小的环节需要你来完善，比如training\_step代码块中的device，是怎么得到的呢？回顾一下咱们之前学习的内容，相信你一定可以做得到。
|
||
|
||
## 小结
|
||
|
||
恭喜你完成了这节课的学习，尽管现在GitHub上已经有了很多已经封装得非常完善的BERT代码，你也可以很快实现一个最基本的NLP算法流程，但是我仍希望你能够抽出时间，好好看一下Transformer中的模型代码，这会对你的技术提升有非常大的助益。
|
||
|
||
这节课我们学习了如何用PyTorch快速构建一个基本的文本分类模型，想要实现这个过程，你需要了解BERT的预训练模型的获取以及转化、分类网络的设计方法、训练过程的编写。整个过程不难，但是却可以让你快速上手，了解PyTorch在NLP方面如何应用。
|
||
|
||
除了技术本身，业务方面的考虑我们也要注意。比如新闻文本的多语言、数据不平衡等问题，模型有时不能解决所有的问题，因此你还需要学习一些**数据预处理的技巧**，这包括很多技术和算法方面的内容。
|
||
|
||
即使我列出一份长长的学习清单，也可能会挂一漏万，所以数据预处理方面的知识我建议你重点关注以下内容：建议你需要花一些时间去学习NumPy和Pandas的使用，这样才能更加得心应手地处理数据；你还可以多学习一些常见的数据挖掘算法（比如决策树、KNN、支持向量机等）；另外，深度学习的广泛使用，其实仍旧非常需要传统机器学习算法的背后支撑，也建议你多多了解。
|
||
|
||
## 思考题
|
||
|
||
BERT处理文本是有最大长度要求的（512），那么遇到长文本，该怎么办呢？
|
||
|
||
也欢迎你在留言区记录你的疑问或者收获，也推荐你把这节课分享给你的朋友。
|
||
|