近期在自己的数据集上尝试了BERT 的fine-tuning，效果不错，现在把自己的操作过程分享给大家。

由于自己的数据不方便分享，我替换成了一份外卖情感分析，供大家使用。

数据及完整代码：

https://github.com/BruceJust/Sentiment-classification-by-BERT

 

首先下载huggingface出品的transformers包，这是一个预训练模型大集合，也有各种常见任务的案例。

pip install transformers

https://github.com/huggingface/transformers

然后还需要从git上下载glue.py, run_tf_glue.py两个文件用于后序修改。

glue.py是数据处理部分，run_tf_glue.py是训练部分

https://github.com/huggingface/transformers/blob/f98d0ef2a237f546aee949e2b3577c0e59422a5e/src/transformers/data/processors/glue.py

https://github.com/huggingface/transformers/blob/master/examples/run_tf_glue.py

数据处理

首先对数据做处理，把一份完整数据拆分为训练集，验证集

import pandas as pd
from sklearn.model_selection import train_test_split
import numpy as np

# 将数据随机拆分为train，test
def prepare_data():
    df = pd.read_csv('./data/waimai_10k.csv')
    x = df[['review', 'label']]
    y = np.arange(0, len(x))
    x_train, x_test, y_train, y_test = train_test_split(x, y)
    x_train.to_csv('data/train.csv',  index=False, header=False)
    x_test.to_csv('data/dev.csv',  index=False, header=False)

prepare_data()

然后开始修改glue.py，把我们的数据整理成模型需要的数据格式。

打开glue.py时候会发现里面有一个

glue_convert_examples_to_features，这个函数保留，（数据格式整理）

和各种Processor，大部分要删除（数据读取）

 

这里的Processor是各种刷榜任务的案例，由于我们的数据格式和人家的不同，那么

我们可以参考一个processor创建自己的，

这里我copy了ColaProcessor，创建一个自己的UserProcessor

 

完整复制，然后主要是修改里面的_create_examples，适应自己的数据格式，把文本和label对应上

然后修改了_read_tsv， 由于我传入的是csv文件，稍有不同，所以修改一下。

修改后如下：

 

class UserProcessor(DataProcessor):
    """Processor for the July data set (GLUE version)."""

    def get_example_from_tensor_dict(self, tensor_dict):
        """See base class."""
        return InputExample(
            tensor_dict["idx"].numpy(),
            tensor_dict["sentence"].numpy().decode("utf-8"),
            None,
            str(tensor_dict["label"].numpy()),
        )

    def get_train_examples(self, data_dir):
        """See base class."""
        return self._create_examples(self._read_tsv(os.path.join(data_dir, "train.csv")), "train")

    def get_dev_examples(self, data_dir):
        """See base class."""
        return self._create_examples(self._read_tsv(os.path.join(data_dir, "dev.csv")), "dev")

    def get_labels(self):
        """See base class."""
        return ["0", "1"]

    def _read_tsv(self, input_file):
        df = pd.read_csv(input_file)
        return list(df.values)


    def _create_examples(self, lines, set_type):
        """Creates examples for the training and dev sets."""
        examples = []
        for (i, line) in enumerate(lines):
            guid = "%s-%s" % (set_type, i)
            text_a = line[0]
            label = str(line[1])
            examples.append(InputExample(guid=guid, text_a=text_a, text_b=None, label=label))
        return examples

然后再把自己的Userprocessor添加到字典中，如下：

glue_tasks_num_labels = {
    "user": 2,
}

glue_processors = {
    'user': UserProcessor,
}

glue_output_modes = {
    "user": "classification",
}

glue_convert_examples_to_features中的有一句建议修改下，

    # if is_tf_available() and is_tf_dataset:
    if is_tf_available(): # 生成满足tf的数据格式

 

训练

数据处理部分就搞定了，然后是修改训练部分run_tf_glue.py。

task名词改成自己的。

TASK="user"

 

BERT文件地址修改，由于预训练的BERT很大，所以就事先下载了放本地加载，也可以保持原文件的模式，让代码自己下载

bert-base-multilingual-cased 是多语种的版本，由于我自己的任务是中英文混杂的，所以使用这个版本。

分享给大家的是中文的情感文本，也许用纯中文的BERT会效果更好。

git上也没有放模型文件，太大了。

下载地址：

config: https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-multilingual-cased-config.json
model: https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-multilingual-cased-tf_model.h5
vocab: https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-multilingual-cased-vocab.txt

bert_config_dir = '.\\bert\\bert-base-multilingual-cased-config.json'
bert_vocab_dir = '.\\bert\\bert-base-multilingual-cased-vocab.txt'
bert_dir = '.\\bert\\bert-base-multilingual-cased-tf_model.h5'

config = BertConfig.from_pretrained(bert_config_dir, num_labels=num_labels)
tokenizer = BertTokenizer.from_pretrained(bert_vocab_dir)
model = TFBertForSequenceClassification.from_pretrained(bert_dir, config=config)

 

然後再修改数据加载部分的代码

# make dataset from file
train_examples = processor.get_train_examples(data_dir=data_dir)
valid_examples = processor.get_dev_examples(data_dir=data_dir)


# Prepare dataset for GLUE as a tf.data.Dataset instance
train_dataset = glue_convert_examples_to_features(train_examples, tokenizer, MAX_LEN, TASK)
valid_dataset = glue_convert_examples_to_features(valid_examples, tokenizer, MAX_LEN, TASK)

 

到这里就ok了，可以开始训练了。

learning_rate如果需要的可以根据情况修改

下面是初步训练的结果，10个epochs。

可以看到train_acc一直在增长，val_acc没怎么变，因为已经到88，89了。

BERT模型比较强大，一上来就容易达到最高分了。

 

最后几行还有一份测试代码，可以测试训练效果。

 

再次附上数据及完整代码：

https://github.com/BruceJust/Sentiment-classification-by-BERT