ACL2020 Best Paper有一篇論文提名獎，《Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks》。這篇論文做了很多語言模型預訓練的實驗，系統的分析了語言模型預訓練對子任務的效果提升情況。有幾個主要結論：

• 在目標領域的數據集上繼續預訓練（DAPT）可以提升效果；目標領域的語料與RoBERTa的原始預訓練語料越不相關，DAPT效果則提升更明顯。

• 在具體任務的數據集上繼續預訓練（TAPT）可以十分“廉價”地提升效果。

• 結合二者（先進行DAPT，再進行TAPT）可以進一步提升效果。

• 如果能獲取更多的、任務相關的無標注數據繼續預訓練（Curated-TAPT），效果則最佳。

• 如果無法獲取更多的、任務相關的無標注數據，采取一種十分輕量化的簡單數據選擇策略，效果也會提升。

知乎專欄《高能NLP》

https://zhuanlan.zhihu.com/p/149210123

雖然在bert上語言模型預訓練在算法比賽中已經是一個穩定的上分操作。但是上面這篇文章難能可貴的是對這個操作進行了系統分析。大部分中文語言模型都是在tensorflow上訓練的，一個常見例子是中文roberta項目。可以參考

https://github.com/brightmart/roberta_zh

使用pytorch進行中文bert語言模型預訓練的例子比較少。在huggingface的Transformers中，有一部分代碼支持語言模型預訓練(不是很豐富，很多功能都不支持比如wwm)。為了用最少的代碼成本完成bert語言模型預訓練，本文借鑒了里面的一些現成代碼。也嘗試分享一下使用pytorch進行語言模型預訓練的一些經驗。主要有三個常見的中文bert語言模型

bert-base-chinese

roberta-wwm-ext

ernie

1?bert-base-chinese

(https://huggingface.co/bert-base-chinese)

這是最常見的中文bert語言模型，基于中文維基百科相關語料進行預訓練。把它作為baseline，在領域內無監督數據進行語言模型預訓練很簡單。只需要使用官方給的例子就好。

https://github.com/huggingface/transformers/tree/master/examples/language-modeling

(本文使用的transformers更新到3.0.2)

方法就是

python run_language_modeling.py \--output_dir=output \--model_type=bert \--model_name_or_path=bert-base-chinese?\--do_train \--train_data_file=$TRAIN_FILE \--do_eval \--eval_data_file=$TEST_FILE \--mlm

其中$TRAIN_FILE 代表領域相關中文語料地址。

2?roberta-wwm-ext

(https://github.com/ymcui/Chinese-BERT-wwm)

哈工大訊飛聯合實驗室發布的預訓練語言模型。預訓練的方式是采用roberta類似的方法，比如動態mask，更多的訓練數據等等。在很多任務中，該模型效果要優于bert-base-chinese。

對于中文roberta類的pytorch模型，使用方法如下

import torch from transformers import BertTokenizer, BertModel tokenizer = BertTokenizer.from_pretrained("hfl/chinese-roberta-wwm-ext") roberta = BertModel.from_pretrained("hfl/chinese-roberta-wwm-ext")

切記不可使用官方推薦的

tokenizer?=?AutoTokenizer.from_pretrained("hfl/chinese-roberta-wwm-ext") model = AutoModel.from_pretrained("hfl/chinese-roberta-wwm-ext")

因為中文roberta類的配置文件比如vocab.txt，都是采用bert的方法設計的。英文roberta模型讀取配置文件的格式默認是vocab.json。對于一些英文roberta模型，倒是可以通過AutoModel自動讀取。這就解釋了huggingface的模型庫的中文roberta示例代碼為什么跑不通。https://huggingface.co/models?

如果要基于上面的代碼run_language_modeling.py繼續預訓練roberta。還需要做兩個改動。

• 下載roberta-wwm-ext到本地目錄hflroberta，在config.json中修改“model_type”:"roberta"為"model_type":"bert"。

• 對上面的run_language_modeling.py中的AutoModel和AutoTokenizer都進行替換為BertModel和BertTokenizer。

再運行命令

python?run_language_modeling_roberta.py?\--output_dir=output \--model_type=bert \--model_name_or_path=hflroberta?\--do_train \--train_data_file=$TRAIN_FILE \--do_eval \--eval_data_file=$TEST_FILE \--mlm

3 ernie

（https://github.com/nghuyong/ERNIE-Pytorch）

ernie是百度發布的基于百度知道貼吧等中文語料結合實體預測等任務生成的預訓練模型。這個模型的準確率在某些任務上要優于bert-base-chinese和roberta。如果基于ernie1.0模型做領域數據預訓練的話只需要一步修改。

• 下載ernie1.0到本地目錄ernie，在config.json中增加字段"model_type":"bert"。

python run_language_modeling.py \--output_dir=output \--model_type=bert \--model_name_or_path=ernie \--do_train \--train_data_file=$TRAIN_FILE \--do_eval \--eval_data_file=$TEST_FILE \--mlm

最后，huggingface項目中語言模型預訓練用mask方式如下。仍是按照15%的數據隨機mask然后預測自身。如果要做一些高級操作比如whole word masking或者實體預測，可以自行修改transformers.DataCollatorForLanguageModeling。

本文實驗代碼庫。拿來即用！

https://github.com/zhusleep/pytorch_chinese_lm_pretrain

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請掃碼進群： 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【NLP】Pytorch中文语言模型bert预训练代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。