前言:
由于课题需要,学习自然语言处理(NLP),于是在网上找了找文章和代码进行学习,在此记录,课题代码就不展示了,使用网上的代码和大家分享。思想和代码大部分参考苏神,在此感谢。
任务目标:
希望bert模型解决的问题: 输入:一段话; 输出:这段话属于的类别。
任务实现原理:
本次模型为监督学习模型,根据已有标签的文本数据集,对bert模型进行训练。使用训练好的模型对句子进行预测,输出得到句子的类别。本质上属于多分类问题。
大致流程为,数据集预处理;划分数据集();对数据集加工处理(文本数据编码成符合bert输入的向量);构建模型(bert模型导入与使用); 将数据送入模型进行训练和预测。
模型总体结构:
具体代码:
数据集预处理:
将数据集读入,并打乱数据的排列顺序。
mainPath = 'bert多文本分类//'
rc = pd.read_csv(mainPath + 'data/tnews/toutiao_news_dataset.txt', delimiter="_!_", names=['labels', 'text'], header=None, encoding='utf-8')
rc = shuffle(rc) #打乱顺序
划分数据集
将数据集划分为训练集和测试集(验证集)
构建全部所需数据集
data_list = []
for d in rc.iloc[:].itertuples(): #itertuples(): 将DataFrame迭代为元祖。
data_list.append((d.text, d.labels))
取一部分数据做训练和验证
train_data = data_list[0:20000]
valid_data = data_list[20000:22000]
数据加工处理:
修改原有的字典:
修改原因:苏神解读,本来 Tokenizer 有自己的 _tokenize 方法,我这里重写了这个方法,是要保证 tokenize 之后的结果,跟原来的字符串长度等长(如果算上两个标记,那么就是等长再加 2)。 Tokenizer 自带的 _tokenize 会自动去掉空格,然后有些字符会粘在一块输出,导致 tokenize 之后的列表不等于原来字符串的长度了,这样如果做序列标注的任务会很麻烦。主要就是用 [unused1] 来表示空格类字符,而其余的不在列表的字符用 [UNK] 表示,其中 [unused*] 这些标记是未经训练的(随即初始化),是 Bert 预留出来用来增量添加词汇的标记,所以我们可以用它们来指代任何新字符。
#vocabPath里存储了大量的词语,每个词语对应的着一个编号 例如10640 posts
将词表中的词编号转换为字典
字典的形式为 '仑': 796,
#得到最原始的字典
tokenDict = {}
with codecs.open(vocabPath, 'r', encoding='utf-8') as reader:
for line in reader:
token = line.strip() # 去除首尾空格
tokenDict[token] = len(tokenDict)
#原始的字典存在着瑕疵,在原始的字典上需要根据自己的数据集,创造自己的字典
重写tokenizer
class OurTokenizer(Tokenizer):
def _tokenize(self, content):
reList = []
for t in content:
if t in self._token_dict:
reList.append(t)
elif self._is_space(t):
# 用[unused1]来表示空格类字符
reList.append('[unused1]')
else:
# 不在列表的字符用[UNK]表示
reList.append('[UNK]')
return reList
#使用新的字典
tokenizer = OurTokenizer(tokenDict)
文本数据根据字典编码成符合bert输入的向量,逐批生成数据([X1,X2],Y),从而可以丢到模型中训练。
def seqPadding(X, padding=0):
L = [len(x) for x in X]
ML = max(L)
return np.array([np.concatenate([x, [padding] * (ML - len(x))]) if len(x) < ML else x for x in X])
class data_generator:
def __init__(self, data, batch_size=32, shuffle=True): #构造函数,使用时执行
self.data = data
self.batch_size = batch_size
self.shuffle = shuffle
self.steps = len(self.data) // self.batch_size
if len(self.data) % self.batch_size != 0:
self.steps += 1
def __len__(self):
return self.steps
def __iter__(self):
while True:
idxs = list(range(len(self.data))) #数据元组下标
if self.shuffle:
np.random.shuffle(idxs) #是否打乱数据下标顺序
X1, X2, Y = [], [], []
for i in idxs:
d = self.data[i]
text = d[0][:maxlen]
x1, x2 = tokenizer.encode(first=text) # encode方法可以一步到位地生成对应模型的输入。
y = d[1]
X1.append(x1) ## x1 是字对应的索引 # x2 是句子对应的索引
X2.append(x2)
Y.append([y])
if len(X1) == self.batch_size or i == idxs[-1]:
X1 = seqPadding(X1) #如果等于batchsize或者最后一个值后面补充0
X2 = seqPadding(X2)
Y = seqPadding(Y)
yield [X1, X2], Y
[X1, X2, Y] = [], [], []
构建模型和训练:
加载bert模型,并对bert模型的输出进行调整,使bert模型能够完成我们的任务目标。
设置预训练bert模型的路径
configPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_config.json'
ckpPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_model.ckpt'
vocabPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/vocab.txt'
bert模型设置
bert_model = load_trained_model_from_checkpoint(configPath, ckpPath, seq_len=None) # 加载预训练模型
for l in bert_model.layers:
l.trainable = True
x1_in = Input(shape=(None,))
x2_in = Input(shape=(None,))
x = bert_model([x1_in, x2_in])
取出[CLS]对应的向量用来做分类
x = Lambda(lambda x: x[:, 0])(x)
p = Dense(15, activation='softmax')(x)
model = Model([x1_in, x2_in], p)
model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam(1e-5), metrics=['accuracy'])
model.summary()
train_D = data_generator(train_data)
valid_D = data_generator(valid_data)
model.fit_generator(train_D.__iter__(), steps_per_epoch=len(train_D), epochs=5, validation_data=valid_D.__iter__(),
validation_steps=len(valid_D))
模型预测:
#测试的数据集
str1 = "上港主场1-2负于国安,遭遇联赛两连败,上港到底输在哪?"
str2 = "普京总统会见了拜登总统"
str3 = "这3辆10万出头小钢炮,随便改改轻松秒奔驰,第一辆还是限量款"
predict_D = data_generator([(str1, 0), (str2, 3), (str3, 10)], shuffle=False)
#获取总的标签类别
#array(['体育', '军事', '农业', '国际', '娱乐', '房产', '教育', '文化', '旅游', '民生故事', '汽车','电竞游戏', '科技', '证券股票', '财经'], dtype=object)
output_label2id_file = os.path.join(mainPath, "model/keras_class/label2id.pkl")
if os.path.exists(output_label2id_file):
with open(output_label2id_file, 'rb') as w:
labes = pickle.load(w)
#加载保存的模型
from keras_bert import get_custom_objects
custom_objects = get_custom_objects()
model = load_model(mainPath + 'model/keras_class/tnews.h5', custom_objects=custom_objects)
#使用生成器获取测试的数据
tmpData = predict_D.__iter__()
#预测
preds = model.predict_generator(tmpData, steps=len(predict_D), verbose=1)
求每行最大值得下标,其中,axis=1表示按行计算
index_maxs = np.argmax(preds, axis=1)
result = [(x, labes[x]) for x in index_maxs]
print(result)
输出preds,index_maxs, result
完整代码
import pickle
from keras_bert import load_trained_model_from_checkpoint, Tokenizer
from keras.layers import *
from keras.models import Model
from keras.optimizers import Adam
from sklearn.preprocessing import LabelEncoder
from sklearn.utils import shuffle
from keras.utils.vis_utils import plot_model
import codecs, gc
import keras.backend as K
import os
import pandas as pd
import numpy as np
文件主路径定义
mainPath = '你的目录/keras_bert文本分类实例/'
从文件中读取数据,获取训练集和验证集
rc = pd.read_csv(mainPath + 'data/tnews/toutiao_news_dataset.txt', delimiter="_!_", names=['labels', 'text'],
header=None, encoding='utf-8') #delimiter
rc = shuffle(rc) # shuffle数据,打乱
把类别转换为数字
一共15个类别:"教育","科技","军事","旅游","国际","证券股票","农业","电竞游戏",
"民生故事","文化","娱乐","体育","财经","房产","汽车"
class_le = LabelEncoder()
rc.iloc[:, 0] = class_le.fit_transform(rc.iloc[:, 0].values)
保存标签文件
output_label2id_file = os.path.join(mainPath, "model/keras_class/label2id.pkl")
if not os.path.exists(output_label2id_file):
with open(output_label2id_file, 'wb') as w:
pickle.dump(class_le.classes_, w)
构建全部所需数据集
data_list = []
for d in rc.iloc[:].itertuples():
data_list.append((d.text, d.labels))
取一部分数据做训练和验证
train_data = data_list[0:20000]
valid_data = data_list[20000:22000]
maxlen = 100 # 设置序列长度为100,要保证序列长度不超过512
设置预训练模型
configPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_config.json'
ckpPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_model.ckpt'
vocabPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/vocab.txt'
将词表中的词编号转换为字典
tokenDict = {}
with codecs.open(vocabPath, 'r', encoding='utf-8') as reader:
for line in reader:
token = line.strip()
tokenDict[token] = len(tokenDict)
重写tokenizer
class OurTokenizer(Tokenizer):
def _tokenize(self, content):
reList = []
for t in content:
if t in self._token_dict:
reList.append(t)
elif self._is_space(t):
# 用[unused1]来表示空格类字符
reList.append('[unused1]')
else:
# 不在列表的字符用[UNK]表示
reList.append('[UNK]')
return reList
tokenizer = OurTokenizer(tokenDict)
def seqPadding(X, padding=0):
L = [len(x) for x in X]
ML = max(L)
return np.array([np.concatenate([x, [padding] * (ML - len(x))]) if len(x) < ML else x for x in X])
class data_generator: #先将数据变成元组的形式在喂入生成器
def __init__(self, data, batch_size=32, shuffle=True):
self.data = data
self.batch_size = batch_size
self.shuffle = shuffle
self.steps = len(self.data) // self.batch_size
if len(self.data) % self.batch_size != 0:
self.steps += 1
def __len__(self):
return self.steps
def __iter__(self):
while True:
idxs = list(range(len(self.data)))
if self.shuffle:
np.random.shuffle(idxs)
X1, X2, Y = [], [], []
for i in idxs:
d = self.data[i]
text = d[0][:maxlen]
x1, x2 = tokenizer.encode(first=text)
y = d[1]
X1.append(x1)
X2.append(x2)
Y.append([y])
if len(X1) == self.batch_size or i == idxs[-1]:
X1 = seqPadding(X1)
X2 = seqPadding(X2)
Y = seqPadding(Y)
yield [X1, X2], Y
[X1, X2, Y] = [], [], []
bert模型设置
bert_model = load_trained_model_from_checkpoint(configPath, ckpPath, seq_len=None) # 加载预训练模型
for l in bert_model.layers:
l.trainable = True
x1_in = Input(shape=(None,))
x2_in = Input(shape=(None,))
x = bert_model([x1_in, x2_in])
取出[CLS]对应的向量用来做分类
x = Lambda(lambda x: x[:, 0])(x)
p = Dense(15, activation='softmax')(x)
model = Model([x1_in, x2_in], p)
model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam(1e-5), metrics=['accuracy'])
model.summary()
train_D = data_generator(train_data)
valid_D = data_generator(valid_data)
model.fit_generator(train_D.__iter__(), steps_per_epoch=len(train_D), epochs=5, validation_data=valid_D.__iter__(),
validation_steps=len(valid_D))
model.save(mainPath + 'model/keras_class/tnews.h5', True, True)
保存模型结构图
plot_model(model, to_file='model/keras_class/tnews.png', show_shapes=True)
参考链接
https://blog.csdn.net/qq_39290990/article/details/121672141
Original: https://blog.csdn.net/qq_52200688/article/details/121726236
Author: wh来啦
Title: bert 文本分类实战
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/530486/
转载文章受原作者版权保护。转载请注明原作者出处!