因为项目和毕设的缘故，做了挺多关于Bert分类的操作的，也算是有点收获吧，本文在主要记录下transformers库中有关Bert使用较多的类。
在本文中，你将看到

• Bert模型的简单回顾
• BertConfig，BertTokenizer，BertModel的简单使用

Bert模型

Bert(Bidirectional Transformer for Language Understanding)通过MLM和NSP预训练任务，在Wikipedia和Toronto Book Corpus上进行自监督的学习。

所谓的自监督：我理解的就是从无标签的数据中学习监督任务。比如MLM任务中，将随机mask掉一些token，然后predict出对应masked掉的token。

Bert的预训练任务以及其encoder结构决定了其适合于NLU中的预测型的任务，不适合于text generation生成式任务，在工程实际使用中也需要注意这一点。

Hugging face库中关于Bert的模型有很多，但是实际上需要掌握的用的最多的只有三个：BertConfig、BertTokenizer、BertModel。其他的封装好的下游任务API比如BertForSequenceClassification其实就是在原生的BertModel上外接Linear层实现的。

BertConfig配置

BertConfig用来加载一个空的Bert结构，不带有权重。

# 定义
class transformers.BertConfig(
							  vocab_size = 30522, 
							  hidden_size = 768, 
							  num_hidden_layers = 12, 
							  num_attention_heads = 12, 
							  intermediate_size = 3072, 
							  hidden_act = 'gelu', 
							  hidden_dropout_prob = 0.1, 
							  attention_probs_dropout_prob = 0.1, 
							  max_position_embeddings = 512, type_vocab_size = 2, initializer_range = 0.02, layer_norm_eps = 1e-12, pad_token_id = 0, position_embedding_type = 'absolute', use_cache = True, classifier_dropout = None, **kwargs)
1
2
3
4
5
6
7
8
9
10
11

transformers中的一个类，用来记录BertModel的基本配置，继承自PretrainedConfig，用来初始化BERT模型，实例化bert-base-uncased模型。

from transformers import BertModel, BertConfig

# 默认使用bert-based-uncased初始化
configuration=BertConfig()
# 初始化BertModel
model=BertModel(configuration)

# 获取模型的配置
configuration=model.config
1
2
3
4
5
6
7
8
9

BertConfig继承自父类PretrainedConfig，因此可以调用父类的from_pretrained方法来直接加载模型

# 加载bert-based-chinese
configuration=BertConfig.from_pretrained("bert-based-chinese")
1
2

BertTokenizer分词器

# 定义
class transformers.BertTokenizer(
								 vocab_file, do_lower_case=True,
								 do_basic_tokenize=True,
								never_split=None,
		unk_token='[UNK]',sep_token='[SEP]',pad_token='[PAD]',
		cls_token='[CLS]',mask_token='[MASK]',
		tokenize_chinese_chars=True, strip_accents=None,**kwargs
)
1
2
3
4
5
6
7
8
9

构建基于WordPiece分词方式的BERT分词器，并进行编码。继承自PretrainedTokenizer，PretrainedTokenizer具有很多功能，可以查看源代码。

BertTokenizer进行编码有三种方式，直接使用tokenizer()、tokenizer.encode()以及tokenizer.encode_plus()
三个函数调用时的参数基本一致，主要有以下几个

• text, text_pair 代表输入的两个句子 str
• truncation 是否进行截断操作 bool
• padding 是否进行padding处理 bool
• return_tensors 'pt’表示pytorch的tensor；'tf’表示tensorflow版本tensor；None表示返回list

通过tokenizer.vocab查看BertTokenizer的词典，主要注意几个词对应的id: '[PAD]‘对应的id为0，’[UNK]‘对应id为100，’[CLS]‘对应id为101，’[SEP]‘对应id为102，’[MASK]'对应id为103。
其中tokenizer()和tokenizer.encode_plus()返回结果一致，都返回所有的编码结果，而tokenizer.encode()则是简单的返回词对应的id序列，对于编码器输出的三个编码结果，对应的含义如下。

• input_ids 是Tokenizer对两个句子的token进行idx映射编码，将对应的句子映射为idx。比如在这里是 [CLS] sen1 [SEP] sen2 [SEP]

• token_type_idx 是为了区分第一句话和第二句话的编码。0表示第一句话，1表示第二句话

• attention_mask 是为了区分有多少token是有用的，因为Bert输入为固定长度512，所以不足512的需要进行补全操作。补全的部分对应的attention_mask为0

from transformers import BertTokenizer
tokenizer=BertTokenizer.from_pretrained("bert-base-chinese")
# 编码的两个句子
sens1="银行贷款允许未成年人吗"
sens2='未成年人可以办理银行卡吗'
# 第一种编码
tokenizer(text=sens1,text_pair=sens2)
# 输出
{'input_ids': [101, 7213, 6121, 6587, 3621, 1038, 6387, 3313, 2768, 2399, 782, 1408, 102, 3313, 2768, 2399, 782, 1377, 809, 1215, 4415, 7213, 6121, 1305, 1408, 102], 
 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
 'attention_mask': [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]}

# 第二种tokenizer.encode_plus()
tokenizer.encode_plut(text=sens1, text_pair=sens2)
# 输出
{'input_ids': [101, 7213, 6121, 6587, 3621, 1038, 6387, 3313, 2768, 2399, 782, 1408, 102, 3313, 2768, 2399, 782, 1377, 809, 1215, 4415, 7213, 6121, 1305, 1408, 102], 
 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], 
 'attention_mask': [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]}
# 第三种tokenizer.encode()
tokenizer.encode(text=sens1, text_pair=sens2)
# 输出
[101, 7213, 6121, 6587, 3621, 1038, 6387, 3313, 2768, 2399, 782, 1408, 102, 3313, 2768, 2399, 782, 1377, 809, 1215, 4415, 7213, 6121, 1305, 1408, 102]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

BertModel

# 原始定义
BertModel(config, add_pooling_layer=True)
1
2

这里需要讨论一下BertModel的两个加载方式

• BertConfig加载，用来加载配置，但不加载模型权重，相当于加载一个空的Bert模型，用作预训练任务。
• .from_pretrained()方法加载。.from_pretrained()方法是来自于父类PreTrainedModel，用来加载模型权重，相当于加载一个与训练好的Bert模型，用作下游微调。
  BertModel也是nn.Module的子类，forward函数定义如下

# BertModel.forward
forward(input_ids: typing.Optional[torch.Tensor] = None,attention_mask: typing.Optional[torch.Tensor] = None,token_type_ids: typing.Optional[torch.Tensor] = None,position_ids: typing.Optional[torch.Tensor] = None,head_mask: typing.Optional[torch.Tensor] = None,inputs_embeds: typing.Optional[torch.Tensor] = None,encoder_hidden_states: typing.Optional[torch.Tensor] = None,encoder_attention_mask: typing.Optional[torch.Tensor] = None,past_key_values: typing.Optional[typing.List[torch.FloatTensor]] = None,use_cache: typing.Optional[bool] = None,output_attentions: typing.Optional[bool] = None,output_hidden_states: typing.Optional[bool] = None,return_dict: typing.Optional[bool] = None ) → [transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions]
1
2

根据forward函数，Bert模型的简单使用如下所示，只用到forward的前三个输入参数。

from transformers import BertModel
model=BertModel.from_pretrained("bert-base-chinese")

from transformers import BertTokenizer
tokenizer=BertTokenizer.from_pretrained("bert-base-chinese")

sens1="银行贷款允许未成年人吗"
sens2="未成年人可以办理银行卡吗"
inputs=tokenizer(sens1, sens2, return_tensors='pt')
outputs=model(**inputs)
1
2
3
4
5
6
7
8
9
10

对于outputs，在未定义其他输出的情况下，有两个tensor输出。

• last_hidden_state Bert给每个输入的token的表示，shape为[1, seq_len, 768]
• pooler_output last_hidden_state的第一个[CLS]向量，用作分类输出，shape为[1,768]

总结

本文主要总结了transformers库中有关Bert模型的一些简单操作，也算是趁着暑期项目和学业没有特别赶的时候填的坑吧，有一些不太清楚或者有问题的可以随时向我反馈，希望大家在讨论中一起学习进步。

参考

transformer的BERT官方文档