文章目录
背景
使用bert进行微调，本篇文章的任务是情感分析
前置准备
python
# 下载相关包
pip install datasets # 我的版本是3.2.0
pip install accelerate # 1.2.1步骤
python
from transformers import BertForSequenceClassification, BertTokenizerFast,Trainer, TrainingArguments
from datasets import load_dataset
import torch
import numpy as np
# 1. 加载数据集
dataset = load_dataset('imdb')
print(dataset)
# 输出如下
'''
DatasetDict({
train: Dataset({
features: ['label', 'text'],
num_rows: 25000
})
test: Dataset({
features: ['label', 'text'],
num_rows: 25000
})
unsupervised: Dataset({
features: ['label', 'text'],
num_rows: 50000
})
})
'''
# 2. 创建训练集和测试集
train_set = dataset['train']
test_set = dataset['test']
# 3. 下载并加载预训练bert-base-un-cased模型和词元分析器。
model = BertForSequenceClassification.from_pretrained('bert-base-uncased')
# 这里使用了BertTokenizerFast类创建词元分析器，而不是使用BertTokenizer。与BertTokenizer相比，BertTokenizerFast类有很多优点。
tokenizer = BertTokenizerFast.from_pretrained('bert-base-uncased')
'''
出现以下提示，这是正常的，因为BertForSequenceClassification模型包含一个额外的分类层，用于将输出转换为分类标签。这个额外的层被随机初始化了。
Some weights of BertForSequenceClassification were not initialized from the model checkpoint at bert-base-uncased and are newly initialized: ['classifier.bias', 'classifier.weight']
You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
'''
# 4. 对训练集和测试集进行预处理，tokenizer这个函数的原理可以参考最后
def preprocess(data):
return tokenizer(data['text'], padding = True, truncation = True, max_length=512)
## 使用preprocess函数对训练集和测试集进行预处理。
batch_size = 512
train_set = train_set.map(preprocess, batched = True, batch_size = batch_size)
test_set = test_set.map(preprocess, batched = True, batch_size = batch_size)
## 接下来，使用set_format函数，选择数据集中需要的列及其对应的格式，如下所示。
train_set.set_format('torch', columns = ['input_ids', 'attention_mask', 'label'])
test_set.set_format('torch', columns = ['input_ids', 'attention_mask', 'label'])
# 5.训练模型
epochs = 2
warmup_steps = 10
weight_decay = 0.01
training_args = TrainingArguments(output_dir = './results',
num_train_epochs = epochs,
per_device_train_batch_size = batch_size,
per_device_eval_batch_size = batch_size,
warmup_steps = warmup_steps,
weight_decay = weight_decay,
logging_dir = './logs',)
trainer = Trainer(model = model, args = training_args, train_dataset = train_set, eval_dataset = test_set)
trainer.train()
# 6.训练结束后，可以使用evaluate函数来评估模型
trainer.evaluate()tokenizer都做了啥
python
# 预处理数据集我们以句子I love Paris为例，使用词元分析器对数据集进行快速预处理。首先，对例句进行标记，在句首添加[CLS]标记，在句尾添加[SEP]标记，如下所示。
tokens = [ '[CLS]', 'I', 'love', 'Paris', '[SEP]' ]
# 接下来，将标记映射到唯一的输入ID（标记ID）。假设输入ID如下所示。
input_ids = [101, 1045, 2293, 3000, 102]
# 然后，添加分段ID（标记类型ID）。假设输入中有两个句子，分段ID可以用来区分这两个句子。第1句中的所有标记被映射为0，第2句中的所有标记被映射为1。在这里，我们只有一个句子，因此所有的标记都会被映射为0，如下所示。
token_type_ids = [0, 0, 0, 0, 0]
# 现在创建注意力掩码。我们知道注意力掩码是用来区分实际标记和[PAD]标记的，它把所有实际标记映射为1，把[PAD]标记映射为0。假设标记长度为5，因为标记列表已经有5个标记，所以不必添加[PAD]标记。在本例中，注意力掩码如下所示。
attention_mask = [1, 1, 1, 1, 1]
# ！！！不过，我们无须手动执行上述所有步骤，词元分析器会为我们完成这些步骤。我们只需将例句传递给词元分析器，如下所示。
tokenizer('I love Paris')
# 上面的代码将返回以下内容。可以看到，输入句已被标记，并被映射到input_ids、token_type_ids和attention_mask。
{'input_ids': [101, 1045, 2293, 3000, 102],
'token_type_ids': [0, 0, 0, 0, 0],
'attention_mask': [1, 1, 1, 1, 1]}
# 通过词元分析器，还可以输入任意数量的句子，并动态地进行补长或填充。要实现动态补长或填充，需要将padding设置为True，同时设置最大序列长度。假设输入3个句子，并将最大序列长度max_length设置为5，如下所示。
tokenizer(['I love Paris', 'birds fly', 'snow fall'], padding = True, max_length = 5)
# 上面的代码将返回以下内容。可以看到，所有的句子都被映射到input_ids、token_type_ids和attention_mask。第2句和第3句只有两个标记，加上[CLS]和[SEP]后，有4个标记。由于将padding设置为True，并将max_length设置为5，因此在第2句和第3句中添加了一个额外的[PAD]标记。这就是在第2句和第3句的注意力掩码中出现0的原因。
{
'input_ids': [[101, 1045, 2293, 3000, 102],
[101, 5055, 4875, 102, 0],
[101, 4586, 2991, 102, 0]],
'token_type_ids': [[0, 0, 0, 0, 0],
[1, 1, 1, 1, 1],
[0, 0, 0, 0, 0]],
'attention_mask': [[1, 1, 1, 1, 1],
[1, 1, 1, 1, 0],
[1, 1, 1, 1, 0]]
}