BERT训练之数据集处理(代码实现)

目录

1读取文件数据

2.生成下一句预测任务的数据

3.预测下一个句子

4.生成遮蔽语言模型任务的数据

5.从词元中得到遮掩的数据

6.将文本转化为预训练数据集

7.封装函数类

8.调用

---

import os
import random
import torch
import dltools

1读取文件数据

def _read_wiki(data_dir):
    #拼接文件路径
    file_name = os.path.join(data_dir, 'wiki.train.tokens')
    #将输入参数中的两个名字拼接成一个完整的文件路径。
    with open(file_name, 'r', encoding='utf-8') as f:
        #打开文件，逐行读取内容，并将每行作为一个元素添加到列表中。
        lines = f.readlines()
    #大写字母转换为小写字母,获取分句之后的段落列表
    paragraphs = [line.strip().lower().split('.') for line in lines if len(line.split('.')) >= 2]
    random.shuffle(paragraphs)  #大陆那段落列表中的元素
    return paragraphs


_read_wiki('./wikitext-2/')  #输出过长，不展示

2.生成下一句预测任务的数据

def _get_next_sentence(sentence, next_sentence, paragraphs):
    if random.random() < 0.5: #若50%的概率发生时
        is_next = True
    else:
        #否则，next_sentence就不是下一个句子，是随机抽取的其他句子
        #paragraphs是三重列表的嵌套
        #从所有列表中随机抽取一个段落，从这个段落中又随机抽取一个句子
        next_sentence = random.choice(random.choice(paragraphs))
        is_next =False
    return sentence, next_sentence, is_next     

3.预测下一个句子

def _get_nsp_data_from_paragraph(paragraph, paragraphs, vocab, max_len):
    nsp_data_from_paragraph = []  #创建空列表，存放下一个句子的数据
    for i in range(len(paragraph) - 1):   #len(paragraph) - 1是因为索引是从0开始的，左闭右开，输出段落中的每一个句子的索引
        #调用函数，获取用于预测下一个句子任务的数据
        tokens_a, tokens_b , is_next = _get_next_sentence(paragraph[i], paragraph[i+1], paragraphs)
        #预测输入的两个句子结构是  -->    <cls> tokens_a  <sep> tokens_b <sep>
        # +3表示考虑 1个<cls>  +2个<sep>
        if len(tokens_a) + len(tokens_b) + 3 > max_len:
            continue   #这种情况超出了序列的最大长度，不需要
        #将文本数据分割成词元（tokens）和句子分段（segments）。
        #这个过程通常涉及到一系列的预处理步骤，如去除标点符号、转换为小写、数字处理等，以确保输入数据的标准化和一致性‌
        tokens, segments = dltools.get_tokens_and_segments(tokens_a, tokens_b)
        nsp_data_from_paragraph.append((tokens, segments, is_next))  #三个数据以元祖的形式存放到列表中
    return nsp_data_from_paragraph

4.生成遮蔽语言模型任务的数据

#Mask Language Modle
def _replace_mlm_tokens(tokens, candidate_pred_positions, num_mlm_preds, vocab):
    """
    tokens:传入的词元
    candidate_pred_positions：等待预测的词元位置索引编号(若传入句子的序列长度为100，那么它就是0-99)
    num_mlm_preds:预测遮掩的数量
    vocab：整体词汇表
    """
    #为遮蔽语言模型的输入创建新的词元副本， 其中输入可能包含替换的<mask>或随机词元
    mlm_input_tokens = [token for token in tokens]  #复制词元数据，后期的替换不修改原数据
    pred_positions_and_labels = []  #用于存放预测的词元位置和目标标签
    #打乱顺序  等待预测的词元位置索引编号
    random.shuffle(candidate_pred_positions)
    for mlm_pred_position in candidate_pred_positions:  #遍历
        #判断存放预测词元的个数是否已经超过了需要预测的数量
        if len(pred_positions_and_labels) >= num_mlm_preds:
            break  #若预测数量够了，就不预测了,直接退出当前for循环，  continue是退出当前if判断
        #否则，接着预测
        mask_token = None  #初始化变量:被15％抽中需要被替换的词元   为空
        #80％的概率， 将抽取的15％的词元，替换成<mask>词元
        if random.random() < 0.8:
            msaked_token = '<mask>'
        else:  #否则，将剩下的其中10％的词元保持不变      从剩下的20％中抽取50％来表示
            if random.random() < 0.5:
                mask_token = tokens[mlm_pred_position]
            else:  #将剩下的其中10％的词元,用随机词替换
                msaked_token = random.choice(vocab.idx_to_token)
        #将获取到的msaked_token按索引赋值替换原词元
        mlm_input_tokens[mlm_pred_position] = mask_token
        #mlm_pred_position需要被预测的词元位置索引，  tokens[mlm_pred_position]被遮掩预测的词元的标签（真实值是什么）
        pred_positions_and_labels.append((mlm_pred_position, tokens[mlm_pred_position]))
    return mlm_input_tokens, pred_positions_and_labels
        

5.从词元中得到遮掩的数据

# 
def _get_mlm_data_from_tokens(tokens, vocab):
    candidate_pred_positions = []
    # tokens是一个字符串列表
    for i, token in enumerate(tokens):
        # 在遮蔽语言模型任务中不会预测特殊词元
        if token in ['<cls>', '<sep>']:
            continue
        candidate_pred_positions.append(i)
    # 遮蔽语言模型任务中预测15%的随机词元
    num_mlm_preds = max(1, round(len(tokens) * 0.15))
    mlm_input_tokens, pred_positions_and_labels = _replace_mlm_tokens(
        tokens, candidate_pred_positions, num_mlm_preds, vocab)
    pred_positions_and_labels = sorted(pred_positions_and_labels,
                                       key=lambda x: x[0])
    pred_positions = [v[0] for v in pred_positions_and_labels]
    mlm_pred_labels = [v[1] for v in pred_positions_and_labels]
    return vocab[mlm_input_tokens], pred_positions, vocab[mlm_pred_labels]

6.将文本转化为预训练数据集

def _pad_bert_inputs(examples, max_len, vocab):
    #词源需要预测的最大数量
    max_num_mlm_preds = round(max_len * 0.15)
    all_tokens_ids, all_segments, valid_lens = [], [], []
    all_pred_positions, all_mlm_weights, all_mlm_labels = [], [], []
    nsp_labels = []
    for (token_ids, pred_positions, mlm_pred_label_ids, segments, is_next) in examples:
        #对原有的tokens（每句话有长有短，补充《pad》使长度一致）
        all_tokens_ids.append(torch.tensor(token_ids + [vocab['<pad>']] * (max_len - len(token_ids)), dtype=torch.long))
        all_segments.append(torch.tensor(segments + [0] * (max_len - len(segments)), dtype=torch.long))
        #valid_lens不包括<pad>计数
        valid_lens.append(torch.tensor(len(token_ids), dtype=torch.float32))
        all_pred_positions.append(torch.tensor(pred_positions + [0] * (max_num_mlm_preds - len(pred_positions)), dtype=torch.long))
        #填充词元的预测将通过乘以0权重在损失中过滤掉
        all_mlm_weights.append(torch.tensor([1.0] * len(mlm_pred_label_ids) + [0.0] * (max_num_mlm_preds - len(pred_positions)), dtype=torch.float32))
        all_mlm_labels.append(torch.tensor(mlm_pred_label_ids + [0] * (max_num_mlm_preds - len(mlm_pred_label_ids)), dtype=torch.long))
        nsp_labels.append(torch.tensor(is_next, dtype=torch.long))
    return (all_tokens_ids, all_segments, valid_lens, all_pred_positions, all_mlm_weights, all_mlm_labels, nsp_labels)
    

7.封装函数类

class WikiTextDataset(torch.utils.data.Dataset):
    def __init__(self, paragraphs, max_len):
        #输入paragraphs[i]是代表段落的句子字符串列表
        #输出paragraphs[i]是代表段落的句子列表，其中每个句子都是词元列表
        paragraphs = [dltools.tokenize(paragraph, token='word') for paragraph in paragraphs]
        #获取句子的词元列表
        sentences = [sentence for paragraph in paragraphs for sentence in paragraph]
        self.vocab = dltools.Vocab(sentences, min_freq=5, reserved_tokens=['<pad>', '<mask>', '<cls>', '<sep>'])
        #获取下一句子预测任务的数据
        examples = []
        for paragraph in paragraphs:
            examples.extend(_get_nsp_data_from_paragraph(paragraph, paragraphs, self.vocab, max_len))
        #获取遮蔽语言模型任务的数据
        examples = [(_get_mlm_data_from_tokens(tokens, self.vocab) + (segments, is_next)) for tokens, segments, is_next in examples]
        #填充输入
        (self.all_token_ids, self.all_segments, self.valid_lens, self.all_pred_positions, self.all_mlm_weights, self.all_mlm_labels, self.nsp_labels) = _pad_bert_inputs(examples, max_len, self.vocab)
        
    def __getitem__(self, idx):
        return (self.all_token_ids[idx], self.all_segments[idx],
                self.valid_lens[idx], self.all_pred_positions[idx],
                self.all_mlm_weights[idx], self.all_mlm_labels[idx],
                self.nsp_labels[idx])

    def __len__(self):
        return len(self.all_token_ids)

8.调用

def load_data_wiki(batch_size, max_len):
    """加载WikiText-2数据集"""
    num_workers = dltools.get_dataloader_workers()  #快速获取或设置最佳的工作线程数
    data_dir = './wikitext-2/'
    paragraphs = _read_wiki(data_dir)
    train_set = WikiTextDataset(paragraphs, max_len)
    train_iter = torch.utils.data.DataLoader(train_set, batch_size, shuffle=True, num_workers=num_workers)
    
    return train_iter, train_set.vocab
    

batch_size, max_len = 512, 64
train_iter, vocab = load_data_wiki(batch_size, max_len)

for (tokens_X, segments_X, valid_lens_x, pred_positions_X, mlm_weights_X,
     mlm_Y, nsp_y) in train_iter:
    print(tokens_X.shape, segments_X.shape, valid_lens_x.shape,
          pred_positions_X.shape, mlm_weights_X.shape, mlm_Y.shape,
          nsp_y.shape)
    break

torch.Size([512, 64]) torch.Size([512, 64]) torch.Size([512]) torch.Size([512, 10]) torch.Size([512, 10]) torch.Size([512, 10]) torch.Size([512])

len(vocab)

20228