严格意义上讲 transformers 并不是 PyTorch 的一部分,然而 transformers 与 PyTorch 或 TensorFlow 结合的太紧密了,而且可以把 transformers 看成是 PyTorch 或 TensorFlow 的延伸,所以也在这里一并讨论了。

transformers 内置了 17 种以 transformer 结构为基础的神经网络:

  • T5 model
  • DistilBERT model
  • ALBERT model
  • CamemBERT model
  • XLM-RoBERTa model
  • Longformer model
  • RoBERTa model
  • Reformer model
  • Bert model
  • OpenAI GPT model
  • OpenAI GPT-2 model
  • Transformer-XL model
  • XLNet model
  • XLM model
  • CTRL model
  • Flaubert model
  • ELECTRA model

这些模型的参数、用法大同小异。默认框架为 PyTorch,使用 TensorFlow 框架在类的前面加上 'TF" 即可。

每种模型都有至少一个预训练模型,限于篇幅,这里仅仅列举 Bert 的常用预训练模型:

模型

模型细节

bert-base-uncased

12-layer, 768-hidden, 12-heads, 110M parameters. Trained on lower-cased English text.

bert-large-uncased

24-layer, 1024-hidden, 16-heads, 340M parameters. Trained on lower-cased English text.

bert-base-cased

12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased English text.

bert-large-cased

24-layer, 1024-hidden, 16-heads, 340M parameters. Trained on cased English text.

bert-base-multilingual-cased

12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased text in the top 104 languages with the largest Wikipedias

bert-base-chinese

12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased Chinese Simplified and Traditional text.

完整的预训练模型列表可以在 transformers 官网上找到。

使用 transformers 库有三种方法:

  1. 使用 pipeline
  2. 指定预训练模型;
  3. 使用 AutoModels 加载预训练模型。

1. transformers.pipeline

这个管线函数包含三个部分:

  1. Tokenizer;
  2. 一个模型实例;
  3. 其它增强模型输出的功能。

它只有一个必需参数 task,接受如下变量之一:

  • ”feature-extraction”
  • ”sentiment-analysis”
  • ”ner”
  • ”question-answering”
  • ”fill-mask”
  • ”summarization”
  • ”translation_xx_to_yy”
  • ”text-generation”

这个函数还有其它可选参数,但是我的试用经验是,什么都不要动,使用默认参数即可。

例子:

>>> from transformers import pipeline

>>> nlp = pipeline("sentiment-analysis")

>>> print(nlp("I hate you"))
[{'label': 'NEGATIVE', 'score': 0.9991129040718079}]

>>> print(nlp("I love you"))
[{'label': 'POSITIVE', 'score': 0.9998656511306763}]

2. 指定预训练模型

这里我们以 Bert 为例。

2.1 配置 Bert 模型(可选,推荐不使用)transformers.BertConfig

transformers.BertConfig 可以自定义 Bert 模型的结构,以下参数都是可选的:

  • vocab_size:词汇数,默认 30522;
  • hidden_size:编码器内隐藏层神经元数量,默认 768;
  • num_hidden_layers:编码器内隐藏层层数,默认 12;
  • num_attention_heads:编码器内注意力头数,默认 12;
  • intermediate_size:编码器内全连接层的输入维度,默认 3072;
  • hidden_act:编码器内激活函数,默认 ‘gelu’,还可为 ‘relu’、‘swish’ 或 ‘gelu_new’
  • hidden_dropout_prob:词嵌入层或编码器的 dropout,默认为 0.1;
  • attention_probs_dropout_prob:注意力的 dropout,默认为 0.1;
  • max_position_embeddings:模型使用的最大序列长度,默认为 512;
  • type_vocab_size:词汇表类别,默认为 2;
  • initializer_range:神经元权重的标准差,默认为 0.02;
  • layer_norm_eps:layer normalization 的 epsilon 值,默认为 1e-12.

使用方法:

configuration = BertConfig() # 进行模型的配置,变量为空即使用默认参数

model = BertModel(configuration) # 使用自定义配置实例化 Bert 模型

configuration = model.config # 查看模型参数

2.2 分词 transformers.BertTokenizer

所有的 tokenizer 都继承自 transformers.PreTrainedTokenizer 基类,因此有共同的参数和方法实例化的参数有:

  • model_max_length:可选参数,最大输入长度,默认为 1e30;
  • padding_side:可选参数,填充的方向,应为 ‘left’ 或 ‘right’;
  • bos_token:可选参数,每句话的起始标记,默认为 ‘’;
  • eos_token:可选参数,每句话的结束标记,默认为 ‘’;
  • unk_token:可选参数,未知的标记,默认为 ‘’;
  • sep_token:可选参数,分隔标记,默认为 ‘’;
  • pad_token:可选参数,填充标记,默认为 ‘’;
  • cls_token:可选参数,分类标记,默认为 ‘’;
  • mask_token:可选参数,遮盖标记,默认为 ‘<MASK’。

为了演示,我们先实例化一个 BertTokenizer

tokenizer = BertTokenizer.from_pretrained('bert-base-cased')

常用的方法有:

  • from_pretrained(model):载入预训练词汇表;

  • tokenizer.tokenize(str):分词;

    tokenizer.tokenize(‘Hello word!’)
    [‘Hello’, ‘word’, ‘!’]

  • encode(text, ...):将文本分词后编码为包含对应 id 的列表;

    tokenizer.encode(‘Hello word!’)
    [101, 8667, 1937, 106, 102]

  • encode_plus(text, ...):将文本分词后创建一个包含对应 id,token 类型及是否遮盖的词典;

    tokenizer.encode_plus(‘Hello world!’)
    {‘input_ids’: [101, 8667, 1937, 106, 102], ‘token_type_ids’: [0, 0, 0, 0, 0], ‘attention_mask’: [1, 1, 1, 1, 1]}

  • convert_ids_to_tokens(ids, skip_special_tokens):将 id 映射为 token;

    tokenizer.convert_ids_to_tokens(tokens)
    [‘[CLS]’, ‘Hello’, ‘word’, ‘!’, ‘[SEP]’]

  • decode(token_ids):将 id 解码;

    tokenizer.decode(tokens)
    ‘[CLS] Hello word! [SEP]’

  • convert_tokens_to_ids(tokens):将 token 映射为 id。

    tokenizer.convert_tokens_to_ids([‘[CLS]’, ‘Hello’, ‘word’, ‘!’, ‘[SEP]’])
    [101, 8667, 1937, 106, 102]

2.3 使用预训练模型

根据任务的需要,既可以选择没有为指定任务 finetune 的模型如 transformers.BertModel,也可以选择为指定任务 finetune 之后的模型如 transformers.BertForSequenceClassification。一共有 6 个指定的任务类型:

  • transformers.BertForMaskedLM:语言模型;
  • transformers.BertForNextSentencePrediction:判断下一句话是否与上一句有关;
  • transformers.BertForSequenceClassification:序列分类如 GLUE;
  • transformers.BertForMultipleChoice:文本分类;
  • transformers.BertForTokenClassification:token 分类如 NER,
  • transformers.BertForQuestionAnswering;问答。

3. 使用 AutoModels

使用 AutoModels 与上面的指定模型进行预训练大同小异,只不过是另一种方式加载模型而已。

3.1 加载自动配置 transformers.AutoConfig

使用类方法 from_pretrained 加载模型配置,参数既可以为模型名称,也可以为具体文件。

config = AutoConfig.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
config = AutoConfig.from_pretrained('./test/bert_saved_model/')

3.2 加载分词器 transformers.AutoTokenizer

与上面的 BertTokenizer 非常相似,也是使用 from_pretrained 类方法加载预训练模型。

tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
tokenizer = AutoTokenizer.from_pretrained('./test/bert_saved_model/')

3.3 加载模型 transformers.AutoModel

可以使用 from_pretrained 加载预训练模型:

model = AutoModel.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
model = AutoModel.from_pretrained('./test/bert_model/') 

选好了预训练模型以后,只需要给模型接一个全连接层,这个神经网络就搭好了(当然可以根据需要添加更复杂的结构)。是不是香?

Logo

开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!

更多推荐