語料鏈接：https://pan.baidu.com/s/1YxGGYmeByuAlRdAVov_ZLg
提取碼：tzao

neg.txt和pos.txt各5000條酒店評論，每條評論一行。

安裝transformers庫

!pip install transformers

導包，設定超參數

1 import numpy as np2 import random3 import torch4 import matplotlib.pyplot as plt5 from torch.nn.utils import clip_grad_norm_6 from torch.utils.data import TensorDataset, DataLoader, RandomSampler, SequentialSampler 7 from transformers import BertTokenizer, BertForSequenceClassification, AdamW8 from transformers import get_linear_schedule_with_warmup9 10 SEED = 123 11 BATCH_SIZE = 16 12 LEARNING_RATE = 2e-5 13 WEIGHT_DECAY = 1e-2 14 EPSILON = 1e-8 15 16 random.seed(SEED) 17 np.random.seed(SEED) 18 torch.manual_seed(SEED)

回到頂部

1.數據預處理

1.1讀取文件

1 def readfile(filename):2 with open(filename, encoding="utf-8") as f: 3 content = f.readlines()4 return content5 6 pos_text, neg_text = readfile('hotel/pos.txt'), readfile('hotel/neg.txt')7 sentences = pos_text + neg_text8 9 #設定標簽 10 pos_targets = np.ones((len(pos_text))) 11 neg_targets = np.zeros((len(neg_text))) 12 targets = np.concatenate((pos_targets, neg_targets), axis=0).reshape(-1, 1) #(10000, 1) 13 total_targets = torch.tensor(targets)

Tip：調用readfile時報錯了UnicodeDecodeError:?'utf-8'?codec?can't?decode?byte?0xbe?in?position?0

解決辦法：將txt文件在Notepad++中打開，點擊工具欄的編碼，轉為UTF-8編碼。

1.2BertTokenizer進行編碼，將每一句轉成數字

1 tokenizer = BertTokenizer.from_pretrained('bert-base-chinese', cache_dir="E:/transformer_file/") 2 print(pos_text[2]) 3 print(tokenizer.tokenize(pos_text[2])) 4 print(tokenizer.encode(pos_text[2])) 5 print(tokenizer.convert_ids_to_tokens(tokenizer.encode(pos_text[2])))

不錯，下次還考慮入住。交通也方便，在餐廳吃的也不錯。

['不', '錯', '，', '下', '次', '還', '考', '慮', '入', '住', '。', '交', '通', '也', '方', '便', '，', '在', '餐', '廳', '吃', '的', '也', '不', '錯', '。']

[101, 679, 7231, 8024, 678, 3613, 6820, 5440, 5991, 1057, 857, 511, 769, 6858, 738, 3175, 912, 8024, 1762, 7623, 1324, 1391, 4638, 738, 679, 7231, 511, 102]

['[CLS]', '不', '錯', '，', '下', '次', '還', '考', '慮', '入', '住', '。', '交', '通', '也', '方', '便', '，', '在', '餐', '廳', '吃', '的', '也', '不', '錯', '。', '[SEP]']

為了使每一句的長度相等，稍作處理；

1 #將每一句轉成數字（大于126做截斷，小于126做PADDING，加上首尾兩個標識，長度總共等于128）2 def convert_text_to_token(tokenizer, sentence, limit_size=126):3 4 tokens = tokenizer.encode(sentence[:limit_size]) #直接截斷 5 if len(tokens) < limit_size + 2: #補齊（pad的索引號就是0）6 tokens.extend([0] * (limit_size + 2 - len(tokens))) 7 return tokens8 9 input_ids = [convert_text_to_token(tokenizer, sen) for sen in sentences] 10 11 input_tokens = torch.tensor(input_ids) 12 print(input_tokens.shape) #torch.Size([10000, 128])

1.3attention_masks, 在一個文本中，如果是PAD符號則是0，否則就是1

1 #建立mask2 def attention_masks(input_ids):3 atten_masks = []4 for seq in input_ids:5 seq_mask = [float(i>0) for i in seq]6 atten_masks.append(seq_mask)7 return atten_masks8 9 atten_masks = attention_masks(input_ids) 10 attention_tokens = torch.tensor(atten_masks)

構造input_ids和atten_masks的目的和前面一節中提到的.encode_plus函數返回的input_ids和attention_mask一樣，input_type_ids和本次任務無關，它是針對每個訓練集有兩個句子的任務（如問答任務）。

1.4劃分訓練集和測試集

兩個劃分函數的參數random_state和test_size值要一致，才能使得train_inputs和train_masks一一對應。

1 from sklearn.model_selection import train_test_split 2 train_inputs, test_inputs, train_labels, test_labels = train_test_split(input_tokens, total_targets, random_state=666, test_size=0.2) 3 train_masks, test_masks, _, _ = train_test_split(attention_tokens, input_tokens, random_state=666, test_size=0.2) 4 print(train_inputs.shape, test_inputs.shape) #torch.Size([8000, 128]) torch.Size([2000, 128]) 5 print(train_masks.shape) #torch.Size([8000, 128])和train_inputs形狀一樣 6 7 print(train_inputs[0]) 8 print(train_masks[0])

tensor([ 101, 2769, 6370, 4638, 3221, 10189, 1039, 4638, 117, 852, 2769, 6230, 2533, 8821, 1039, 4638, 7599, 3419, 3291, 1962, 671, 763, 117, 3300, 671, 2476, 1377, 809, 1288, 1309, 4638, 3763, 1355, 119, 2456, 6379, 1920, 2157, 6370, 3249, 6858, 7313, 106, 102, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

1.5創建DataLoader，用來取出一個batch的數據

TensorDataset 可以用來對 tensor 進行打包，就好像 python 中的 zip 功能。該類通過每一個 tensor 的第一個維度進行索引，所以該類中的 tensor 第一維度必須相等，且TensorDataset 中的參數必須是 tensor類型。

RandomSampler對數據集隨機采樣。

SequentialSampler按順序對數據集采樣。

1 train_data = TensorDataset(train_inputs, train_masks, train_labels) 2 train_sampler = RandomSampler(train_data) 3 train_dataloader = DataLoader(train_data, sampler=train_sampler, batch_size=BATCH_SIZE) 4 5 test_data = TensorDataset(test_inputs, test_masks, test_labels) 6 test_sampler = SequentialSampler(test_data) 7 test_dataloader = DataLoader(test_data, sampler=test_sampler, batch_size=BATCH_SIZE)

查看一下train_dataloader的內容：

1 for i, (train, mask, label) in enumerate(train_dataloader): 2 print(train.shape, mask.shape, label.shape) #torch.Size([16, 128]) torch.Size([16, 128]) torch.Size([16, 1]) 3 break 4 print('len(train_dataloader)=', len(train_dataloader)) #500

回到頂部

2.創建模型、優化器

創建模型

1 model = BertForSequenceClassification.from_pretrained("bert-base-chinese", num_labels = 2) #num_labels表示2個分類，好評和差評 2 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") 3 model.to(device)

定義優化器

參數eps是為了提高數值穩定性而添加到分母的一個項(默認:?1e-8)。

1 optimizer?=?AdamW(model.parameters(),?lr?=?LEARNING_RATE,?eps?=?EPSILON)

更通用的寫法：bias和LayNorm.weight沒有用權重衰減

1 no_decay = ['bias', 'LayerNorm.weight'] 2 optimizer_grouped_parameters = [ 3 {'params': [p for n, p in model.named_parameters() if not any(nd in n for nd in no_decay)], 'weight_decay': WEIGHT_DECAY}, 4 {'params': [p for n, p in model.named_parameters() if any(nd in n for nd in no_decay)], 'weight_decay': 0.0} 5 ] 6 optimizer = AdamW(optimizer_grouped_parameters, lr = LEARNING_RATE, eps = EPSILON)

?學習率預熱，訓練時先從小的學習率開始訓練

1 epochs = 2 2 # training steps 的數量: [number of batches] x [number of epochs]. 3 total_steps = len(train_dataloader) * epochs 4 5 # 設計 learning rate scheduler. 6 scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps = 0, num_training_steps = total_steps)

回到頂部

3.訓練、評估模型?

3.1模型準確率

1 def binary_acc(preds, labels): #preds.shape=(16, 2) labels.shape=torch.Size([16, 1]) 2 correct = torch.eq(torch.max(preds, dim=1)[1], labels.flatten()).float() #eq里面的兩個參數的shape=torch.Size([16]) 3 acc = correct.sum().item() / len(correct) 4 return acc

3.2計算模型運行時間

1 import time 2 import datetime 3 def format_time(elapsed): 4 elapsed_rounded = int(round((elapsed))) 5 return str(datetime.timedelta(seconds=elapsed_rounded)) #返回 hh:mm:ss 形式的時間

3.3訓練模型

• 傳入model的參數必須是tensor類型的；

• nn.utils.clip_grad_norm_(parameters, max_norm, norm_type=2)用于解決神經網絡訓練過擬合的方法?；

輸入是（NN參數，最大梯度范數，范數類型=2) 一般默認為L2 范數；

Tip：?注意這個方法只在訓練的時候使用，在測試的時候不用；

1 def train(model, optimizer):2 t0 = time.time()3 avg_loss, avg_acc = [],[]4 5 model.train()6 for step, batch in enumerate(train_dataloader):7 8 # 每隔40個batch 輸出一下所用時間.9 if step % 40 == 0 and not step == 0: 10 elapsed = format_time(time.time() - t0) 11 print(' Batch {:>5,} of {:>5,}. Elapsed: {:}.'.format(step, len(train_dataloader), elapsed)) 12 13 b_input_ids, b_input_mask, b_labels = batch[0].long().to(device), batch[1].long().to(device), batch[2].long().to(device) 14 15 output = model(b_input_ids, token_type_ids=None, attention_mask=b_input_mask, labels=b_labels) 16 loss, logits = output[0], output[1] 17 18 avg_loss.append(loss.item()) 19 20 acc = binary_acc(logits, b_labels) 21 avg_acc.append(acc) 22 23 optimizer.zero_grad() 24 loss.backward() 25 clip_grad_norm_(model.parameters(), 1.0) #大于1的梯度將其設為1.0, 以防梯度爆炸 26 optimizer.step() #更新模型參數 27 scheduler.step() #更新learning rate 28 29 avg_acc = np.array(avg_acc).mean() 30 avg_loss = np.array(avg_loss).mean() 31 return avg_loss, avg_acc

此處output的形式為（元組類型，第0個元素是loss值，第1個元素是每個batch中好評和差評的概率）：

(tensor(0.0210, device='cuda:0', grad_fn=<NllLossBackward>), tensor([[-2.9815, 2.6931],[-3.2380, 3.1935],[-3.0775, 3.0713],[ 3.0191, -2.3689],[ 3.1146, -2.7957],[ 3.7798, -2.7410],[-0.3273, 0.8227],[ 2.5012, -1.5535],[-3.0231, 3.0162],[ 3.4146, -2.5582],[ 3.3104, -2.2134],[ 3.3776, -2.5190],[-2.6513, 2.5108],[-3.3691, 2.9516],[ 3.2397, -2.0473],[-2.8622, 2.7395]], device='cuda:0', grad_fn=<AddmmBackward>))

3.4評估模型

調用model模型時不傳入label值。

1 def evaluate(model): 2 avg_acc = [] 3 model.eval() #表示進入測試模式4 5 with torch.no_grad():6 for batch in test_dataloader:7 b_input_ids, b_input_mask, b_labels = batch[0].long().to(device), batch[1].long().to(device), batch[2].long().to(device)8 9 output = model(b_input_ids, token_type_ids=None, attention_mask=b_input_mask) 10 11 acc = binary_acc(output[0], b_labels) 12 avg_acc.append(acc) 13 avg_acc = np.array(avg_acc).mean() 14 return avg_acc

此處output的形式為（元組類型，第0個元素是每個batch中好評和差評的概率）：

(tensor([[ 3.8217, -2.7516],[ 2.7585, -2.0853],[-2.9317, 2.9092],[-3.3724, 3.2597],[-2.8692, 2.6741],[-3.2784, 2.9276],[ 3.4946, -2.8895],[ 3.7855, -2.8623],[-2.2249, 2.4336],[-2.4257, 2.4606],[ 3.3996, -2.5760],[-3.1986, 3.0841],[ 3.6883, -2.9492],[ 3.2883, -2.3600],[ 2.6723, -2.0778],[-3.1868, 3.1106]], device='cuda:0'),)

3.5運行訓練模型和評估模型

1 for epoch in range(epochs): 2 3 train_loss, train_acc = train(model, optimizer) 4 print('epoch={},訓練準確率={}，損失={}'.format(epoch, train_acc, train_loss)) 5 test_acc = evaluate(model) 6 print("epoch={},測試準確率={}".format(epoch, test_acc))

運行結果如下：

Batch 40 of 500. Elapsed: 0:00:14.Batch 80 of 500. Elapsed: 0:00:28.Batch 120 of 500. Elapsed: 0:00:42.Batch 160 of 500. Elapsed: 0:00:57.Batch 200 of 500. Elapsed: 0:01:12.Batch 240 of 500. Elapsed: 0:01:26.Batch 280 of 500. Elapsed: 0:01:41.Batch 320 of 500. Elapsed: 0:01:56.Batch 360 of 500. Elapsed: 0:02:11.Batch 400 of 500. Elapsed: 0:02:26.Batch 440 of 500. Elapsed: 0:02:42.Batch 480 of 500. Elapsed: 0:02:57. epoch=0,訓練準確率=0.9015，損失=0.2549531048182398 epoch=0,測試準確率=0.9285Batch 40 of 500. Elapsed: 0:00:16.Batch 80 of 500. Elapsed: 0:00:31.Batch 120 of 500. Elapsed: 0:00:47.Batch 160 of 500. Elapsed: 0:01:03.Batch 200 of 500. Elapsed: 0:01:18.Batch 240 of 500. Elapsed: 0:01:34.Batch 280 of 500. Elapsed: 0:01:50.Batch 320 of 500. Elapsed: 0:02:06.Batch 360 of 500. Elapsed: 0:02:22.Batch 400 of 500. Elapsed: 0:02:37.Batch 440 of 500. Elapsed: 0:02:53.Batch 480 of 500. Elapsed: 0:03:09. epoch=1,訓練準確率=0.9595，損失=0.14357946291333065 epoch=1,測試準確率=0.939

回到頂部

4.預測

1 def predict(sen):2 3 input_id = convert_text_to_token(tokenizer, sen)4 input_token = torch.tensor(input_id).long().to(device) #torch.Size([128])5 6 atten_mask = [float(i>0) for i in input_id]7 attention_token = torch.tensor(atten_mask).long().to(device) #torch.Size([128]) 8 9 output = model(input_token.view(1, -1), token_type_ids=None, attention_mask=attention_token.view(1, -1)) #torch.Size([128])->torch.Size([1, 128])否則會報錯 10 print(output[0]) 11 12 return torch.max(output[0], dim=1)[1] 13 14 label = predict('酒店位置難找，環境不太好，隔音差，下次不會再來的。') 15 print('好評' if label==1 else '差評') 16 17 label = predict('酒店還可以，接待人員很熱情，衛生合格，空間也比較大，不足的地方就是沒有窗戶') 18 print('好評' if label==1 else '差評') 19 20 label = predict('"服務各方面沒有不周到的地方, 各方面沒有沒想到的細節"') 21 print('好評' if label==1 else '差評')

tensor([[ 3.5719, -2.7315]], device='cuda:0', grad_fn=<AddmmBackward>)

差評

tensor([[-2.7998, 2.8675]], device='cuda:0', grad_fn=<AddmmBackward>)

好評

tensor([[-1.9614, 1.5925]], device='cuda:0', grad_fn=<AddmmBackward>)

好評

性能還可以，第三句這種有點奇怪的句子也能正確識別了。?

?

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的Pytorch-使用Bert预训练模型微调中文文本分类的全部內容，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。