韓國小哥哥用Pytorch實現谷歌最強NLP預訓練模型BERT | 程式碼
乾明 編譯整理自 GitHub
量子位 報道 | 公眾號 QbitAI
新鮮程式碼,還熱乎著呢。
前幾天,谷歌釋出了一篇論文,介紹了一個超強的NLP預訓練模型BERT。
不僅在SQuAD中摧枯拉朽,全面超越人類表現,還在多種不同NLP測試中創出最佳成績,包括包括將GLUE基準提升7.6%,將MultiNLI的準確率提提升5.6%。
更重要的是,論文中稱,這個預訓練語言模型可用於任何NLP任務,整個過程不需要對架構進行實質性的修改。
有人說這是自然語言理解領域幾個月來最重大的事件,也有一些人認為這將改變NLP的研究模式。
當然,也有不少人心裡長滿了“草”,都想上手試試這個模型怎麼樣。
現在,方法來了。
一位名叫Junseong Kim韓國小哥哥,在GitHub上分享了自己用Pytorch實現BERT的過程與程式碼。
Junseong Kim表示,程式碼很簡單,而且也易於理解,其中一些程式碼基於The Annotated Transformer,但尚未得到驗證。
The Annotated Transformer來自“Attention is All You Need”,是哈佛大學的一個研究團隊對後者的解讀與實現,連結在文末。
語言模型預訓練
在谷歌的論文中,作者給出了兩種針對語言模型進行預訓練的任務,分別是Masked Language Model(論文中簡稱Masked LM)和預測下一句。
Masked LM
Input Sequence : The man went to [MASK] store with [MASK] dog
Target Sequence : the his
規則:
根據下面的子規則,隨機改變15%的輸入token:
1、80%的 token 將成為 [MASK] token。
2、10% 的 token 將成為 [RANDOM] token(另一個單詞)。
3、10% 的 token 將維持不變,但是需要預測。
預測下一句
Input : [CLS] the man went to the store [SEP] he bought a gallon of milk [SEP]
Label : Is Next
Input = [CLS] the man heading to the store [SEP] penguin [MASK] are flight ##less birds [SEP]
Label = NotNext
“當前的這個句子能夠和下一句聯絡起來嗎?”
理解兩個文字句子之間的關係,這無法通過語言建模直接獲取。
規則:
1、下一句有 50% 的概率是連續的句子。
2、下一句有 50% 的概率是無關的句子。
使用
注意:你的語料庫中,一行中要準備兩個句子,中間用 (\t) 分隔符隔開。
Welcome to the \t the jungle \n
I can stay \t here all night \n
1、根據自己的語料庫構建vocab
python build_vocab.py -c data/corpus.small -o data/corpus.small.vocab
usage: build_vocab.py [-h] -c CORPUS_PATH -o OUTPUT_PATH [-s VOCAB_SIZE]
[-e ENCODING] [-m MIN_FREQ]
optional arguments:
-h, --help show this help message and exit
-c CORPUS_PATH, --corpus_path CORPUS_PATH
-o OUTPUT_PATH, --output_path OUTPUT_PATH
-s VOCAB_SIZE, --vocab_size VOCAB_SIZE
-e ENCODING, --encoding ENCODING
-m MIN_FREQ, --min_freq MIN_FREQ
2、用自己的語料庫構建BERT訓練資料集
python build_dataset.py -d data/corpus.small -v data/corpus.small.vocab -o data/dataset.small
usage: build_dataset.py [-h] -v VOCAB_PATH -c CORPUS_PATH [-e ENCODING] -o
OUTPUT_PATH
optional arguments:
-h, --help show this help message and exit
-v VOCAB_PATH, --vocab_path VOCAB_PATH
-c CORPUS_PATH, --corpus_path CORPUS_PATH
-e ENCODING, --encoding ENCODING
-o OUTPUT_PATH, --output_path OUTPUT_PATH
3訓練你自己的BERT模型
python train.py -d data/dataset.small -v data/corpus.small.vocab -o output/
usage: train.py [-h] -d TRAIN_DATASET [-t TEST_DATASET] -v VOCAB_PATH -o
OUTPUT_DIR [-hs HIDDEN] [-n LAYERS] [-a ATTN_HEADS]
[-s SEQ_LEN] [-b BATCH_SIZE] [-e EPOCHS]
optional arguments:
-h, --help show this help message and exit
-d TRAIN_DATASET, --train_dataset TRAIN_DATASET
-t TEST_DATASET, --test_dataset TEST_DATASET
-v VOCAB_PATH, --vocab_path VOCAB_PATH
-o OUTPUT_DIR, --output_dir OUTPUT_DIR
-hs HIDDEN, --hidden HIDDEN
-n LAYERS, --layers LAYERS
-a ATTN_HEADS, --attn_heads ATTN_HEADS
-s SEQ_LEN, --seq_len SEQ_LEN
-b BATCH_SIZE, --batch_size BATCH_SIZE
-e EPOCHS, --epochs EPOCHS
GitHub傳送門:
https://github.com/codertimo/BERT-pytorch
The Annotated Transformer傳送門:
http://nlp.seas.harvard.edu/2018/04/03/attention.html
— 完 —
加入社群
量子位AI社群開始招募啦,歡迎對AI感興趣的同學,在量子位公眾號(QbitAI)對話介面回覆關鍵字“交流群”,獲取入群方式;
此外,量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募,面向正在從事相關領域的工程師及研究人員。
進專業群請在量子位公眾號(QbitAI)對話介面回覆關鍵字“專業群”,獲取入群方式。(專業群稽核較嚴,敬請諒解)
誠摯招聘
量子位正在招募編輯/記者,工作地點在北京中關村。期待有才氣、有熱情的同學加入我們!相關細節,請在量子位公眾號(QbitAI)對話介面,回覆“招聘”兩個字。
量子位 QbitAI · 頭條號簽約作者
վ'ᴗ' ի 追蹤AI技術和產品新動態