一、模型简介
BERT 是 Google 于 2018 年末开发并发布的一种新型语言模型，在众多自然语言处理任务中发挥重要作用。其创新点在于 pre-train 方法，即采用了 Masked Language Model 和 Next Sentence Prediction 两种方法分别捕捉词语和句子级别的表征。
二、调用库的功能介绍
mindspore：提供了深度学习框架的核心功能，用于构建、训练和推理模型。mindspore.dataset：包含数据处理相关的模块，如文本处理、数据集生成和转换等。mindnlp._legacy.engine：提供了训练和评估模型的相关类和回调函数。mindnlp._legacy.metrics：用于定义和计算模型评估指标。
三、函数介绍
1. SentimentDataset 类
- 参数 ：
path，表示数据集文件的路径。 - 功能：读取指定路径的数据集文件，提取其中的标签和文本数据。
- 例句：
python
sentiment_dataset = SentimentDataset("data/train.tsv")2. process_dataset 函数
- 参数 ：
source：数据集的来源。tokenizer：用于文本分词的工具。max_seq_len（默认值 64）：序列的最大长度。batch_size（默认值 32）：批次大小。shuffle（默认值 True）：是否打乱数据集。
- 功能：对数据集进行加载、转换、分词和批处理等预处理操作。
- 例句：
python
dataset_train = process_dataset(SentimentDataset("data/train.tsv"), tokenizer)3. BertForSequenceClassification.from_pretrained 函数
- 参数 ：
'bert-base-chinese'：预训练模型的名称。num_labels=3：分类的类别数量。
- 功能：从预训练模型加载并构建用于序列分类的 BERT 模型。
- 例句：
python
model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=3)4. auto_mixed_precision 函数
- 参数 ：
model：要进行混合精度处理的模型。'O1'：混合精度的模式。
- 功能：对模型进行自动混合精度操作，以提高训练速度。
- 例句：
python
model = auto_mixed_precision(model, 'O1')5. CheckpointCallback 类
- 参数 ：
save_path='checkpoint'：保存检查点的路径。ckpt_name='bert_emotect'：检查点的名称。epochs=1：保存的间隔周期。keep_checkpoint_max=2：保留的最大检查点数量。
- 功能：在训练过程中按照指定的间隔和策略保存模型检查点。
- 例句：
python
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='bert_emotect', epochs=1, keep_checkpoint_max=2)6. BestModelCallback 类
- 参数 ：
save_path='checkpoint'：保存最佳模型的路径。ckpt_name='bert_emotect_best'：最佳模型的名称。auto_load=True：是否自动加载最佳模型。
- 功能：在训练过程中保存表现最佳的模型。
- 例句：
python
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='bert_emotect_best', auto_load=True)四、数据集
- 提供了一份已标注、经过分词预处理的机器人聊天数据集，来自百度飞桨团队。
- 数据由两列组成，以制表符分隔，第一列是情绪分类类别（0 表示消极，1 表示中性，2 表示积极），第二列是以空格分词的中文文本。
五、数据加载和数据预处理
- 新建
process_dataset函数用于数据加载和预处理。- 包括数据格式转换、Tokenize 处理和 pad 操作。
- 针对昇腾 NPU 环境，采用静态 Shape 处理。
- 加载预训练的
BertTokenizer，并对训练集、验证集和测试集进行处理。
六、模型构建
- 通过
BertForSequenceClassification构建情感分类的 BERT 模型。 - 加载预训练权重，设置情感三分类的超参数自动构建模型。
- 采用自动混合精度操作，实例化优化器和评价指标。
- 设置模型训练的权重保存策略，构建训练器并开始训练。
七、模型验证
使用验证数据集对训练好的模型进行验证，评价指标为准确率。
八、模型推理
- 遍历推理数据集，展示推理结果与标签。
- 自定义推理数据，展示模型泛化能力。