BERT：训练数据生成代码解读_tokenization.fulltokenizer

1、简单介绍

预训练数据的预处理代码文件：

create_pretraining_data.py

功能：

在这个py文件中，主要功能是生成训练数据

具体的训练命令如下所示：

python create_pretraining_data.py \
 
  --input_file=./sample_text.txt \
 
  --output_file=/tmp/tf_examples.tfrecord \
 
  --vocab_file=$BERT_BASE_DIR/vocab.txt \
 
  --do_lower_case=True \
 
  --max_seq_length=128 \
 
  --max_predictions_per_seq=20 \
 
  --masked_lm_prob=0.15 \
 
  --random_seed=12345 \
 
  --dupe_factor=5

在上面的命令行中，sample_text.txt是谷歌提供的一个小的训练样本，将这个小的训练样本经过一系列的处理，输出到tf_examples.tfrecord中

sample_text.txt：在这个文本中，空行前后代表不同的文章，每一行代表一句话

2、代码解析

2.1 参数设置

在函数的开始部分进行了相关参数的设置

flags = tf.flags
 
FLAGS = flags.FLAGS
 
flags.DEFINE_string("input_file", None,
                    "Input raw text file (or comma-separated list of files).")
 
flags.DEFINE_string(
    "output_file", None,
    "Output TF example file (or comma-separated list of files).")
 
flags.DEFINE_string("vocab_file", None,
                    "The vocabulary file that the BERT model was trained on.")
 
flags.DEFINE_bool(
    "do_lower_case", True,
    "Whether to lower case the input text. Should be True for uncased "
    "models and False for cased models.")
 
flags.DEFINE_integer("max_seq_length", 128, "Maximum sequence length.")
 
flags.DEFINE_integer("max_predictions_per_seq", 20,
                     "Maximum number of masked LM predictions per sequence.")
 
flags.DEFINE_integer("random_seed", 12345, "Random seed for data generation.")
 
flags.DEFINE_integer(
    "dupe_factor", 10,
    "Number of times to duplicate the input data (with different masks).")
 
flags.DEFINE_float("masked_lm_prob", 0.15, "Masked LM probability.")
 
flags.DEFINE_float(
    "short_seq_prob", 0.1,
    "Probability of creating sequences which are shorter than the "
    "maximum length.")

在代码中相关参数的解释：

input_file：输入文件路径

output_file：输出文件路径

vocab_file：谷歌提供的词典，值为词典的路径

do_lower_case：当值为True时，则忽略大小写

max_seq_length：每一条训练数据（两句话）相加后的最大长度限制

max_predictions_per_seq：每一条训练数据mask的最大数量

random_seed：一个随机种子

dupe_factor：对文档多次重复随机产生训练集，随机的次数

masked_lm_prob：一条训练数据产生mask的概率，即每条训练数据随机产生max_predictions_per_seq×masked_lm_prob数量的mask

short_seq_prob：为了缩小预训练和微调过程的差距，以此概率产生小于max_seq_length的训练数据

2.2 main()函数

首先获取输入文本，对输入文本创建训练实例，再进行输出，创建实例的函数是create_training_instances

在main()函数中，有一个FullTokenizer类，这个类的主要作用是将词转换成对应的id，参照的是字典vocab_file，但对一些特殊的词需要进行最大长度的拆分，如johanson，这个单词在字典中是没有的，但是johan和##son在字典中，则将johanson拆分成两个词，即johan和##son

def main(_):
  tf.logging.set_verbosity(tf.logging.INFO)
 
  tokenizer = tokenization.FullTokenizer(
      vocab_file=FLAGS.vocab_file, do_lower_case=FLAGS.do_lower_case)
  # 创建tokenizer，很多人也许会困惑这个啥，这是Google AI Language Team写的一个字符处理的工具，按照代码里的使用就行
 
  input_files = []
  for input_pattern in FLAGS.input_file.split(","):
    input_files.extend(tf.gfile.Glob(input_pattern)) # #获得输入文件列表
    # tf.gfile.Glob()查找匹配pattern的文件并以列表的形式返回，filename可以是一个具体的文件名，也可以是包含通配符的正则表达式
 
  tf.logging.info("*** Reading from input files ***")
  for input_file in input_files:
    tf.logging.info("  %s", input_file)
 
  rng = random.Random(FLAGS.random_seed)
  instances = create_training_instances(
      input_files, tokenizer, FLAGS.max_seq_length, FLAGS.dupe_factor,
      FLAGS.short_seq_prob, FLAGS.masked_lm_prob, FLAGS.max_predictions_per_seq,
      rng)
 
  output_files = FLAGS.output_file.split(",")
  tf.logging.info("*** Writing to output files ***")
  for output_file in output_files:
    tf.logging.info("  %s", output_file)
 
  write_instance_to_example_files(instances, tokenizer, FLAGS.max_seq_length,
                                  FLAGS.max_predictions_per_seq, output_files) # 输出

在main()函数中主要包括创建实例的create_training_instances()函数，以及输出函数write_instance_to_example_files()，下文会一一进行介绍

2.3创建训练实例：create_training_instances()

在这个函数中，先将文章的每个句子加到二维列表中，再将列表传入create_instances_from_document()函数生成训练实例

返回值：instances 一个列表 里面包含每个样例的TrainingInstance类

def create_training_instances(input_files, tokenizer, max_seq_length,
                              dupe_factor, short_seq_prob, masked_lm_prob,
                              max_predictions_per_seq, rng):
  """Create `TrainingInstance`s from raw text."""
  all_documents = [[]]
 
  for input_file in input_files:
    with tf.gfile.GFile(input_file, "r") as reader:
      while True:
        line = tokenization.convert_to_unicode(reader.readline())
        if not line:
          break
        line = line.strip()
 
        # Empty lines are used as document delimiters
        if not line:
          all_documents.append([])
        tokens = tokenizer.tokenize(line) # 官方代码这里是这么处理每一行英文数据的，实际上可以简单理解为做了个分词操作吧
        if tokens:
          all_documents[-1].append(tokens) # 二维列表  [文章，句子]
 
  # Remove empty documents
  all_documents = [x for x in all_documents if x] # 删除空列表
  rng.shuffle(all_documents) # 随机排序
 
  vocab_words = list(tokenizer.vocab.keys())
  instances = []
  for _ in range(dupe_factor): # 对于一份数据，可以每次将masked 设定的位置都不一样，也就是可以做个数据扩充，代码中的dupe_factor就是将数据重复多次进行处理
    for document_index in range(len(all_documents)):
      instances.extend(
          create_instances_from_document(
              all_documents, document_index, max_seq_length, short_seq_prob,
              masked_lm_prob, max_predictions_per_seq, vocab_words, rng))
 
  rng.shuffle(instances)
  return instances

（1）读取文本，按行分词处理后存储到all_documents中，里面存储的格式为[doc0,doc1,doc2,doc3,...]，里面的每一个doc存储的是一个list，如doc1=[line0,line1,line2,lin3,...]，同样的，每一个line里存储的也是一个list，如line1=[token0,token1,token2,token3,...]，token表示的是一个个的词，之后对文章做shuffle处理

 all_documents = [[]]
 
  for input_file in input_files:
    with tf.gfile.GFile(input_file, "r") as reader:
      while True:
        line = tokenization.convert_to_unicode(reader.readline())
        if not line:
          break
        line = line.strip()
 
        # Empty lines are used as document delimiters
        if not line:
          all_documents.append([])
        tokens = tokenizer.tokenize(line) # 官方代码这里是这么处理每一行英文数据的，实际上可以简单理解为做了个分词操作吧
        if tokens:
          all_documents[-1].append(tokens) # 二维列表  [文章，句子]
 
  # Remove empty documents
  all_documents = [x for x in all_documents if x] # 删除空列表
  rng.shuffle(all_documents) # 随机排序

（2）重复dupe_factor=10次，每篇文章生成样本，[CLS+A+SEP+B+SEP]作为一条样本

 vocab_words = list(tokenizer.vocab.keys())
  instances = []
  for _ in range(dupe_factor): # 对于一份数据，可以每次将masked 设定的位置都不一样，也就是可以做个数据扩充，代码中的dupe_factor就是将数据重复多次进行处理
    for document_index in range(len(all_documents)):
      instances.extend(
          create_instances_from_document(
              all_documents, document_index, max_seq_length, short_seq_prob,
              masked_lm_prob, max_predictions_per_seq, vocab_words, rng))
 
  rng.shuffle(instances)

 

2.4 create_instances_from_document()函数

在这个函数中，生成训练数据的具体过程，对每条数据生成TrainingInstance，这里的每条数据其实包含两个句子的信息，TrainingInstance包括tokens：词

segement_ids：句子编码，第一句为0，第二句为1

is_random_next：第二句是随机查找，还是未第一句的下文

masked_lm_positions：tokens中被mask的位置

masked_lm_labels：tokens中被mask的原来的词

返回值：instances

create_instances_from_document()函数对每篇文章都生成一个训练样本实例
从第一条句子循环到最后一条句子ii，收集segment到current_chunk列表中，当收集到的总句子长度>=单条样本最长值时，构造A+B

if i == len(document) - 1 or current_length >= target_seq_length:

随机截取 current_chunk的某个位置a_end，[0, a_end]作为子句A=token_a。
B句随机概率选择是Next or Not next，如果是next，则current_chunk的剩余[a_end, :]作为子句B=token_b。如果Not next，则随机挑一篇文章，选择某个长度的子句作为B=token_b。

 num_unused_segments = len(current_chunk) - a_end
 i -= num_unused_segments

两个句子加和长度超过最大长度怎么办？使用truncate_seq_pair在A和B中随机选择一个，随机丢掉首/尾的词，每次丢一个token，直到加和长度<=最大长度。

truncate_seq_pair(tokens_a, tokens_b, max_num_tokens, rng)

之后根据token_a和token_b生成tokens和segment_ids
tokens = [CLS, A_0, A_1, A_2, SEP, B_0, B_1, B_2, SEP]tokens=[CLS,A0​,A1​,A2​,SEP,B0​,B1​,B2​,SEP]
segment\_ids =[0_a, 0_a, 0_a, 0_a, 0_a, 1_b, 1_b, 1_b, 1_b]segment_ids=[0a​,0a​,0a​,0a​,0a​,1b​,1b​,1b​,1b​]

再之后，根据tokens生成遮挡之后的tokens、遮挡位置masked_lm_positions、遮挡位置的真实词masked_lm_labels。

 (tokens, masked_lm_positions,
         masked_lm_labels) = create_masked_lm_predictions( 
         tokens, masked_lm_prob, max_predictions_per_seq, vocab_words, rng)

15%采样遮挡，对遮挡的处理情况如下：
a) 80%的概率，遮挡词被替换为[mask]。\longrightarrow⟶别人看不到我。
b) 10%的概率，遮挡词被替换为随机词。\longrightarrow⟶别人看走眼我。
c) 10%的概率，遮挡词被替换为原来词。\longrightarrow⟶别人能看到我。

masked_token = None
    # 80% of the time, replace with [MASK]
    if rng.random() < 0.8:
      masked_token = "[MASK]"
    else:
      # 10% of the time, keep original
      if rng.random() < 0.5:
        masked_token = tokens[index]
      # 10% of the time, replace with random word
      else:
        masked_token = vocab_words[rng.randint(0, len(vocab_words) - 1)]

输入和返回结果举例：
input tokens  ="The man went to the store . He bought a gallon of milk "
ouput tokens ="The man went to the [mask] . He [mask] a gallon of milk"
output masked_lm_positions = [5, 8, 10, 12]
output masked_lm_labels = [store, bought, gallon, ice]
位置#5,#8被遮挡，#10被替换为原token，#12被替换为随机词。注意CLS和SEP不会被遮挡。
然后保存成TrainingInstance类，同时保留了is_next标记.

 instance = TrainingInstance(
            tokens=tokens,
            segment_ids=segment_ids,
            is_random_next=is_random_next,
            masked_lm_positions=masked_lm_positions,
            masked_lm_labels=masked_lm_labels)

tokenization.FullTokenizer类用来处理分词，标点符号，unknown词，Unicode转换等操作。注意：中文只有单个字的切分，没有词。

2.5 数据存储及读取

存储为TF-Record
输入sentence变量的处理

input_ids = tokenizer.convert_tokens_to_ids(instance.tokens)  ## ID化 ##
input_mask = [1] * len(input_ids)
segment_ids = segment_ids
padding 0 --> max_seq_length

1. 对iput_ids 补0到句子最大长度
2. 对input_mask 补0到句子最大长度
3. 对segment_ids 补0到句子最大长度
注意：input_mask是样本中有效词句的标识，后面需要用作作attention视野的约束。
遮挡变量的处理

masked_lm_positions = list(instance.masked_lm_positions)
    masked_lm_ids = tokenizer.convert_tokens_to_ids(instance.masked_lm_labels)
    masked_lm_weights = [1.0] * len(masked_lm_ids)
    ## padding 0 --> max_seq_length

注意：masked_lm_ids是有mask的词对应的ID；masked_lm_positions是有mask的词对应的句子中位置。
next_sentense 处理

next_sentence_label = 1 if instance.is_random_next else 0

save format 处理   

 features = collections.OrderedDict()
    features["input_ids"] = create_int_feature(input_ids)
    features["input_mask"] = create_int_feature(input_mask)
    features["segment_ids"] = create_int_feature(segment_ids)
    features["masked_lm_positions"] = create_int_feature(masked_lm_positions)
    features["masked_lm_ids"] = create_int_feature(masked_lm_ids)
    features["masked_lm_weights"] = create_float_feature(masked_lm_weights)
    features["next_sentence_labels"] = create_int_feature([next_sentence_label])
 
    tf_example = tf.train.Example(features=tf.train.Features(feature=features))

读取使用dataset。

input_ids = features["input_ids"]
    input_mask = features["input_mask"]
    segment_ids = features["segment_ids"]
    masked_lm_positions = features["masked_lm_positions"]
    masked_lm_ids = features["masked_lm_ids"]
    masked_lm_weights = features["masked_lm_weights"]
    next_sentence_labels = features["next_sentence_labels"]

下面的几个网址是参考的网址

http://www.manongjc.com/article/30232.html

https://blog.csdn.net/weixin_39470744/article/details/84619903

后续会继续进行更新