2

我正在尝试微调 HuggingFace TFBertModel 以便能够将某些文本分类为单个标签。我已经启动并运行了模型，但是从一开始精度就极低。我的期望是准确度会很高，因为它使用 BERT 预训练的权重作为起点。我希望得到一些关于我哪里出错的建议。

我正在使用这里的 bbc-text 数据集：

加载数据

df = pd.read_csv(open(<s3 url>),encoding='utf-8', error_bad_lines=False)
df = df.sample(frac=1)
df = df.dropna(how='any')

价值计数

sport            511
business         510
politics         417
tech             401
entertainment    386
Name: label, dtype: int64

预处理

def preprocess_text(sen):
# Convert html entities to normal
sentence = unescape(sen)

# Remove html tags
sentence = remove_tags(sentence)

# Remove newline chars
sentence = remove_newlinechars(sentence)

# Remove punctuations and numbers
sentence = re.sub('[^a-zA-Z]', ' ', sentence)

# Convert to lowercase
sentence = sentence.lower()

return sentence


def remove_newlinechars(text):
    return " ".join(text.splitlines()) 

def remove_tags(text):
    TAG_RE = re.compile(r'<[^>]+>')
    return TAG_RE.sub('', text)

df['text_prepd'] = df['text'].apply(preprocess_text)

拆分数据

train, val = train_test_split(df, test_size=0.30, shuffle=True, stratify=df['label'])

编码标签

from sklearn.preprocessing import LabelEncoder

label_encoder = LabelEncoder()
y_train = np.asarray(le.fit_transform(train['label']))
y_val = np.asarray(le.fit_transform(val['label']))

定义BERT输入函数

# Initialise Bert Tokenizer
bert_tokenizer_transformer = BertTokenizer.from_pretrained('bert-base-cased')

def create_input_array(df, tokenizer, args):
    sentences = df.text_prepd.values

    input_ids = []
    attention_masks = []
    token_type_ids = []

    for sent in tqdm(sentences):
        # `encode_plus` will:
        #   (1) Tokenize the sentence.
        #   (2) Prepend the `[CLS]` token to the start.
        #   (3) Append the `[SEP]` token to the end.
        #   (4) Map tokens to their IDs.
        #   (5) Pad or truncate the sentence to `max_length`
        #   (6) Create attention masks for [PAD] tokens.
        encoded_dict = tokenizer.encode_plus(
            sent,  # Sentence to encode.
            add_special_tokens=True,  # Add '[CLS]' and '[SEP]'
            max_length=args.max_seq_len,  # Pad & truncate all sentences.
                pad_to_max_length=True,
                return_attention_mask=True,  # Construct attn. masks.
                return_tensors='tf',  # Return tf tensors.
            )

        # Add the encoded sentence to the list.
        input_ids.append(encoded_dict['input_ids'])

        # And its attention mask (simply differentiates padding from non-padding).
        attention_masks.append(encoded_dict['attention_mask'])

        token_type_ids.append(encoded_dict['token_type_ids'])

    input_ids = tf.convert_to_tensor(input_ids)
    attention_masks = tf.convert_to_tensor(attention_masks)
    token_type_ids = tf.convert_to_tensor(token_type_ids)

    return input_ids, attention_masks, token_type_ids

将数据转换为 Bert 输入

train_inputs = [create_input_array(train[:], tokenizer=tokenizer, args=args)]
val_inputs = [create_input_array(val[:], tokenizer=tokenizer, args=args)]

train_inputs, y_train然后我val_inputs, y_val应用以下函数来重塑并转换为 numpy 数组。然后将此函数返回的列表作为参数传递给 keras fit 方法。我意识到转换为 tf.tensors 然后转换为 numpy 有点矫枉过正，但我​​认为这不会产生影响。我最初试图使用 tf.datasets 但切换到 numpy。

def convert_inputs_to_tf_dataset(inputs,y, args):
    # args.max_seq_len = 256
    ids = inputs[0][1]
    masks = inputs[0][1]
    token_types = inputs[0][2]

    ids = tf.reshape(ids, (-1, args.max_seq_len))
    print("Input ids shape: ", ids.shape)
    masks = tf.reshape(masks, (-1, args.max_seq_len))
    print("Input Masks shape: ", masks.shape)
    token_types = tf.reshape(token_types, (-1, args.max_seq_len))
    print("Token type ids shape: ", token_types.shape)

    ids=ids.numpy()
    masks = masks.numpy()
    token_types = token_types.numpy()

    return [ids, masks, token_types, y]

凯拉斯模型

# args.max_seq_len = 256
# n_classes = 6
model = TFBertForSequenceClassification.from_pretrained('bert-base-uncased', trainable=True, num_labels=n_classes)

input_ids_layer = Input(shape=(args.max_seq_len, ), dtype=np.int32)
input_mask_layer = Input(shape=(args.max_seq_len, ), dtype=np.int32)
input_token_type_layer = Input(shape=(args.max_seq_len,), dtype=np.int32)

bert_layer = model([input_ids_layer, input_mask_layer, input_token_type_layer])[0]
flat_layer = Flatten()(bert_layer)
dropout= Dropout(0.3)(flat_layer)
dense_output = Dense(n_classes, activation='softmax')(dropout)

model_ = Model(inputs=[input_ids_layer, input_mask_layer, input_token_type_layer], outputs=dense_output)

编译和拟合

loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metric = tf.keras.metrics.SparseCategoricalAccuracy('accuracy')
model.compile(optimizer='adam', loss=loss, metrics=[metric])
model.fit(inputs=..., outputs=..., validation_data=..., epochs=50, batch_size = 32, metrics=metric, verbose=1)


Epoch 32/50
1401/1401 [==============================] - 42s 30ms/sample - loss: 1.6103 - accuracy: 0.2327 - val_loss: 1.6042 -
 val_accuracy: 0.2308

因为我使用的是 BERT，所以只需要几个 epoch，所以我期望在 32 个 epoch 之后会有比 23% 高得多的东西。

4

2 回答 2

4

主要问题出在这一行：ids = inputs[0][1]. 实际上，id 是 ; 的第一个元素inputs[0]。所以应该是ids = inputs[0][0]。

但是还有另一个问题可能导致验证准确性不一致：您应该LabelEncoder只拟合一次来构建标签映射；所以你应该在验证标签上使用transform方法，而不是。fit_transform

此外，不要同时使用softmax激活函数和from_logits=True损失函数；只使用其中任何一个（有关更多信息，请参见此处）。

另一点是您可能需要为优化器使用较低的学习率。Adam 优化器的默认学习率为 1e-3，考虑到您正在微调预训练模型，这可能太高了。尝试较低的学习率，比如 1e-4 或 1e-5；例如tf.keras.optimizers.Adam(learning_rate=1e-4)。对预训练模型进行微调的高学习率可能会破坏学习的权重并扰乱微调过程（由于生成的梯度值很大，尤其是在微调过程开始时）。

于 2020-04-23T12:00:45.370 回答
0

我不确定我是否理解您的所有步骤，尤其是使用标记器。我不知道问题可能出在哪里，但可以做到这一点是一种更简单的方法。Higgungface 转换器为您提供了一些简单的文本分类解决方案：

model = TFBertForSequenceClassification.from_pretrained('bert-base-cased')

还有一些功能可以将数据以模型期望的格式放置：

glue_convert_examples_to_features

您需要深入了解文档以查看您可以设置的所有参数，例如类的数量、用于预处理的粘合任务的类型......

您可以在下面找到一些示例：https ://pypi.org/project/transformers/

于 2020-04-22T12:13:15.943 回答