作者：十方

bert的大名如雷貫耳，無論在比賽，還是實際上的應用早已普及開來。想到十方第一次跑bert模型用的框架還是paddlepaddle，那時候用自己的訓練集跑bert還是比較痛苦的，不僅要看很多配置文件，預處理代碼，甚至報錯了都不知道怎么回事，當時十方用的是bert雙塔做文本向量的語義召回。如今tf都已經更新到了2.4了，tensorflow-hub的出現更是降低了使用預訓練模型的門檻，接下來帶大家看下，如何花十分鐘時間快速構建bert雙塔召回模型。

tensorflow hub

打開tensorflow官網，找到tensorflow-hub點進去，我們就能看到各種預訓練好的模型了，找到一個預訓練好的模型(如下圖)，下載下來，如介紹所說，這是個12層，768維，12頭的模型。

在往下看，我們看到有配套的預處理工具:

同樣下載下來，然后我們就可以構建bert雙塔了。

Bert雙塔

import os import shutil import pickle import tensorflow as tf import tensorflow_hub as hub import tensorflow_text as text from official.nlp import optimization from tensorflow.keras import * from tqdm import tqdm import numpy as np import pandas as pd import json import re import random# 這里讀你自己的文本數據集 with open('./data/train_data.pickle', 'rb') as f:train_data = pickle.load(f)#?讀數據用的generater def train_generator():np.random.shuffle(train_data)for?i?in?range(len(train_data)):yield?train_data[i][0],?train_data[i][1]#?訓練數據 dataset ds_tr = tf.data.Dataset.from_generator(train_generator, output_types=(tf.string, tf.string))#?bert?雙塔?dim_size是維度?model_name是下載模型的路徑 def?get_model(dim_size,?model_name):#?下載的預處理工具路徑preprocessor = hub.load('./bert_en_uncased_preprocess/3')# 左邊塔的文本text_source = tf.keras.layers.Input(shape=(), dtype=tf.string)# 右邊塔的文本text_target = tf.keras.layers.Input(shape=(), dtype=tf.string)tokenize = hub.KerasLayer(preprocessor.tokenize)tokenized_inputs_source = [tokenize(text_source)]tokenized_inputs_target = [tokenize(text_target)]seq_length?=?512??#?這里指定你序列文本的最大長度bert_pack_inputs = hub.KerasLayer(preprocessor.bert_pack_inputs,arguments=dict(seq_length=seq_length))encoder_inputs_source = bert_pack_inputs(tokenized_inputs_source)encoder_inputs_target = bert_pack_inputs(tokenized_inputs_target)#?加載預訓練參數????bert_model = hub.KerasLayer(model_name)bert_encoder_source,?bert_encoder_target?=?bert_model(encoder_inputs_source),?bert_model(encoder_inputs_target)#?這里想嘗試in-batch?loss#?也可以直接對?bert_encoder_source['pooled_output'],?bert_encoder_target['pooled_output']?做點積操作matrix_logit = tf.linalg.matmul(bert_encoder_source['pooled_output'], bert_encoder_target['pooled_output'], transpose_a=False, transpose_b=True)matrix_logit = matrix_logit / tf.sqrt(dim_size)model = models.Model(inputs = [text_source, text_target], outputs = [bert_encoder_source['pooled_output'], bert_encoder_target['pooled_output'], matrix_logit])return modelbert_double_tower = get_model(128.0, './small_bert_bert_en_uncased_L-2_H-128_A-2_1/3') bert_double_tower.summary()

我們看到bert雙塔模型已經構建完成:

然后定義loss，就可以訓練啦！

optimizer = optimizers.Adam(learning_rate=5e-5) loss_func_softmax = tf.keras.losses.CategoricalCrossentropy(from_logits=True) train_loss = metrics.Mean(name='train_loss') train_acc = metrics.CategoricalAccuracy(name='train_accuracy')def train_step(model, features):with tf.GradientTape() as tape:p_source, p_target, pred = model(features)label = tf.eye(tf.shape(pred)[0])loss = loss_func_softmax(label, pred)gradients = tape.gradient(loss, model.trainable_variables)optimizer.apply_gradients(zip(gradients, model.trainable_variables))train_loss.update_state(loss)train_acc.update_state(label,?pred)def train_model(model, bz, epochs):for epoch in tf.range(epochs):steps = 0for feature in ds_tr.prefetch(buffer_size = tf.data.experimental.AUTOTUNE).batch(bz):logs_s = 'At Epoch={},STEP={}'tf.print(tf.strings.format(logs_s,(epoch, steps)))train_step(model, feature)steps?+=?1train_loss.reset_states()train_acc.reset_states() 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 本站qq群851320808，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【NLP】看不懂bert没关系，用起来so easy！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。