赞
踩
由于课题需要,学习自然语言处理(NLP),于是在网上找了找文章和代码进行学习,在此记录,课题代码就不展示了,使用网上的代码和大家分享。思想和代码大部分参考苏神,在此感谢。
希望bert模型解决的问题: 输入:一段话; 输出:这段话属于的类别。
本次模型为监督学习模型,根据已有标签的文本数据集,对bert模型进行训练。使用训练好的模型对句子进行预测,输出得到句子的类别。本质上属于多分类问题。
大致流程为,数据集预处理;划分数据集();对数据集加工处理(文本数据编码成符合bert输入的向量);构建模型(bert模型导入与使用); 将数据送入模型进行训练和预测。
数据集预处理:
将数据集读入,并打乱数据的排列顺序。
- mainPath = 'bert多文本分类//'
- rc = pd.read_csv(mainPath + 'data/tnews/toutiao_news_dataset.txt', delimiter="_!_", names=['labels', 'text'], header=None, encoding='utf-8')
- rc = shuffle(rc) #打乱顺序
划分数据集
将数据集划分为训练集和测试集(验证集)
- # 构建全部所需数据集
- data_list = []
- for d in rc.iloc[:].itertuples(): #itertuples(): 将DataFrame迭代为元祖。
- data_list.append((d.text, d.labels))
-
- # 取一部分数据做训练和验证
- train_data = data_list[0:20000]
- valid_data = data_list[20000:22000]
数据加工处理:
修改原有的字典:
修改原因:苏神解读,本来 Tokenizer 有自己的 _tokenize 方法,我这里重写了这个方法,是要保证 tokenize 之后的结果,跟原来的字符串长度等长(如果算上两个标记,那么就是等长再加 2)。 Tokenizer 自带的 _tokenize 会自动去掉空格,然后有些字符会粘在一块输出,导致 tokenize 之后的列表不等于原来字符串的长度了,这样如果做序列标注的任务会很麻烦。主要就是用 [unused1] 来表示空格类字符,而其余的不在列表的字符用 [UNK] 表示,其中 [unused*] 这些标记是未经训练的(随即初始化),是 Bert 预留出来用来增量添加词汇的标记,所以我们可以用它们来指代任何新字符。
- #vocabPath里存储了大量的词语,每个词语对应的着一个编号 例如10640 posts
- # 将词表中的词编号转换为字典
- # 字典的形式为 '仑': 796,
- #得到最原始的字典
- tokenDict = {}
- with codecs.open(vocabPath, 'r', encoding='utf-8') as reader:
- for line in reader:
- token = line.strip() # 去除首尾空格
- tokenDict[token] = len(tokenDict)
-
- #原始的字典存在着瑕疵,在原始的字典上需要根据自己的数据集,创造自己的字典
- # 重写tokenizer
- class OurTokenizer(Tokenizer):
- def _tokenize(self, content):
- reList = []
- for t in content:
- if t in self._token_dict:
- reList.append(t)
- elif self._is_space(t):
-
- # 用[unused1]来表示空格类字符
- reList.append('[unused1]')
- else:
- # 不在列表的字符用[UNK]表示
- reList.append('[UNK]')
- return reList
-
- #使用新的字典
- tokenizer = OurTokenizer(tokenDict)

文本数据根据字典编码成符合bert输入的向量,逐批生成数据([X1,X2],Y),从而可以丢到模型中训练。
- def seqPadding(X, padding=0):
- L = [len(x) for x in X]
- ML = max(L)
- return np.array([np.concatenate([x, [padding] * (ML - len(x))]) if len(x) < ML else x for x in X])
-
- class data_generator:
- def __init__(self, data, batch_size=32, shuffle=True): #构造函数,使用时执行
- self.data = data
- self.batch_size = batch_size
- self.shuffle = shuffle
- self.steps = len(self.data) // self.batch_size
- if len(self.data) % self.batch_size != 0:
- self.steps += 1
-
- def __len__(self):
- return self.steps
-
- def __iter__(self):
- while True:
- idxs = list(range(len(self.data))) #数据元组下标
-
- if self.shuffle:
- np.random.shuffle(idxs) #是否打乱数据下标顺序
-
- X1, X2, Y = [], [], []
- for i in idxs:
- d = self.data[i]
- text = d[0][:maxlen]
- x1, x2 = tokenizer.encode(first=text) # encode方法可以一步到位地生成对应模型的输入。
-
- y = d[1]
- X1.append(x1) ## x1 是字对应的索引 # x2 是句子对应的索引
- X2.append(x2)
- Y.append([y])
- if len(X1) == self.batch_size or i == idxs[-1]:
- X1 = seqPadding(X1) #如果等于batchsize或者最后一个值后面补充0
- X2 = seqPadding(X2)
- Y = seqPadding(Y)
- yield [X1, X2], Y
- [X1, X2, Y] = [], [], []

构建模型和训练:
加载bert模型,并对bert模型的输出进行调整,使bert模型能够完成我们的任务目标。
- # 设置预训练bert模型的路径
- configPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_config.json'
- ckpPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_model.ckpt'
- vocabPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/vocab.txt'
-
- # bert模型设置
- bert_model = load_trained_model_from_checkpoint(configPath, ckpPath, seq_len=None) # 加载预训练模型
- for l in bert_model.layers:
- l.trainable = True
-
- x1_in = Input(shape=(None,))
- x2_in = Input(shape=(None,))
-
- x = bert_model([x1_in, x2_in])
-
- # 取出[CLS]对应的向量用来做分类
- x = Lambda(lambda x: x[:, 0])(x)
- p = Dense(15, activation='softmax')(x)
-
- model = Model([x1_in, x2_in], p)
- model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam(1e-5), metrics=['accuracy'])
- model.summary()
-
- train_D = data_generator(train_data)
- valid_D = data_generator(valid_data)
-
- model.fit_generator(train_D.__iter__(), steps_per_epoch=len(train_D), epochs=5, validation_data=valid_D.__iter__(),
- validation_steps=len(valid_D))

模型预测:
- #测试的数据集
- str1 = "上港主场1-2负于国安,遭遇联赛两连败,上港到底输在哪?"
- str2 = "普京总统会见了拜登总统"
- str3 = "这3辆10万出头小钢炮,随便改改轻松秒奔驰,第一辆还是限量款"
- predict_D = data_generator([(str1, 0), (str2, 3), (str3, 10)], shuffle=False)
- #获取总的标签类别
- #array(['体育', '军事', '农业', '国际', '娱乐', '房产', '教育', '文化', '旅游', '民生故事', '汽车','电竞游戏', '科技', '证券股票', '财经'], dtype=object)
- output_label2id_file = os.path.join(mainPath, "model/keras_class/label2id.pkl")
- if os.path.exists(output_label2id_file):
- with open(output_label2id_file, 'rb') as w:
- labes = pickle.load(w)
-
- #加载保存的模型
- from keras_bert import get_custom_objects
- custom_objects = get_custom_objects()
- model = load_model(mainPath + 'model/keras_class/tnews.h5', custom_objects=custom_objects)
- #使用生成器获取测试的数据
- tmpData = predict_D.__iter__()
- #预测
- preds = model.predict_generator(tmpData, steps=len(predict_D), verbose=1)
- # 求每行最大值得下标,其中,axis=1表示按行计算
- index_maxs = np.argmax(preds, axis=1)
- result = [(x, labes[x]) for x in index_maxs]
- print(result)

输出preds,index_maxs, result
完整代码
- import pickle
- from keras_bert import load_trained_model_from_checkpoint, Tokenizer
- from keras.layers import *
- from keras.models import Model
- from keras.optimizers import Adam
- from sklearn.preprocessing import LabelEncoder
- from sklearn.utils import shuffle
- from keras.utils.vis_utils import plot_model
- import codecs, gc
- import keras.backend as K
- import os
- import pandas as pd
- import numpy as np
-
-
- # 文件主路径定义
- mainPath = '你的目录/keras_bert文本分类实例/'
-
- # 从文件中读取数据,获取训练集和验证集
- rc = pd.read_csv(mainPath + 'data/tnews/toutiao_news_dataset.txt', delimiter="_!_", names=['labels', 'text'],
- header=None, encoding='utf-8') #delimiter
-
- rc = shuffle(rc) # shuffle数据,打乱
-
- # 把类别转换为数字
- # 一共15个类别:"教育","科技","军事","旅游","国际","证券股票","农业","电竞游戏",
- # "民生故事","文化","娱乐","体育","财经","房产","汽车"
- class_le = LabelEncoder()
- rc.iloc[:, 0] = class_le.fit_transform(rc.iloc[:, 0].values)
-
- # 保存标签文件
- output_label2id_file = os.path.join(mainPath, "model/keras_class/label2id.pkl")
- if not os.path.exists(output_label2id_file):
- with open(output_label2id_file, 'wb') as w:
- pickle.dump(class_le.classes_, w)
-
- # 构建全部所需数据集
- data_list = []
- for d in rc.iloc[:].itertuples():
- data_list.append((d.text, d.labels))
-
- # 取一部分数据做训练和验证
- train_data = data_list[0:20000]
- valid_data = data_list[20000:22000]
-
- maxlen = 100 # 设置序列长度为100,要保证序列长度不超过512
-
- # 设置预训练模型
- configPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_config.json'
- ckpPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_model.ckpt'
- vocabPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/vocab.txt'
-
- # 将词表中的词编号转换为字典
- tokenDict = {}
- with codecs.open(vocabPath, 'r', encoding='utf-8') as reader:
- for line in reader:
- token = line.strip()
- tokenDict[token] = len(tokenDict)
-
-
- # 重写tokenizer
- class OurTokenizer(Tokenizer):
- def _tokenize(self, content):
- reList = []
- for t in content:
- if t in self._token_dict:
- reList.append(t)
- elif self._is_space(t):
-
- # 用[unused1]来表示空格类字符
- reList.append('[unused1]')
- else:
- # 不在列表的字符用[UNK]表示
- reList.append('[UNK]')
- return reList
-
-
- tokenizer = OurTokenizer(tokenDict)
-
-
- def seqPadding(X, padding=0):
- L = [len(x) for x in X]
- ML = max(L)
- return np.array([np.concatenate([x, [padding] * (ML - len(x))]) if len(x) < ML else x for x in X])
-
-
- class data_generator: #先将数据变成元组的形式在喂入生成器
- def __init__(self, data, batch_size=32, shuffle=True):
- self.data = data
- self.batch_size = batch_size
- self.shuffle = shuffle
- self.steps = len(self.data) // self.batch_size
- if len(self.data) % self.batch_size != 0:
- self.steps += 1
-
- def __len__(self):
- return self.steps
-
- def __iter__(self):
- while True:
- idxs = list(range(len(self.data)))
-
- if self.shuffle:
- np.random.shuffle(idxs)
-
- X1, X2, Y = [], [], []
- for i in idxs:
- d = self.data[i]
- text = d[0][:maxlen]
- x1, x2 = tokenizer.encode(first=text)
- y = d[1]
- X1.append(x1)
- X2.append(x2)
- Y.append([y])
- if len(X1) == self.batch_size or i == idxs[-1]:
- X1 = seqPadding(X1)
- X2 = seqPadding(X2)
- Y = seqPadding(Y)
- yield [X1, X2], Y
- [X1, X2, Y] = [], [], []
-
-
- # bert模型设置
- bert_model = load_trained_model_from_checkpoint(configPath, ckpPath, seq_len=None) # 加载预训练模型
-
- for l in bert_model.layers:
- l.trainable = True
-
- x1_in = Input(shape=(None,))
- x2_in = Input(shape=(None,))
-
- x = bert_model([x1_in, x2_in])
-
- # 取出[CLS]对应的向量用来做分类
- x = Lambda(lambda x: x[:, 0])(x)
- p = Dense(15, activation='softmax')(x)
-
- model = Model([x1_in, x2_in], p)
- model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam(1e-5), metrics=['accuracy'])
- model.summary()
-
- train_D = data_generator(train_data)
- valid_D = data_generator(valid_data)
-
- model.fit_generator(train_D.__iter__(), steps_per_epoch=len(train_D), epochs=5, validation_data=valid_D.__iter__(),
- validation_steps=len(valid_D))
-
- model.save(mainPath + 'model/keras_class/tnews.h5', True, True)
-
- # 保存模型结构图
- plot_model(model, to_file='model/keras_class/tnews.png', show_shapes=True)
-

参考链接
https://blog.csdn.net/qq_39290990/article/details/121672141
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。