本文重点介绍了如何从零训练一个BERT模型的过程,包括整体上BERT模型架构、数据集如何做预处理、MASK替换策略、训练模型和保存、加载模型和测试等。
一.BERT架构
BERT设计初衷是作为一个通用的backbone,然后在下游接入各种任务,包括翻译任务、分类任务、回归任务等。BERT模型架构如下所示:
1.输入层
BERT每次计算时输入两句话。
2.数据预处理
包括移除不能识别的字符、将所有字母小写、多余的空格等。
3.随机将一些词替换为MASK
BERT模型的训练过程包括两个子任务,其中一个即为预测被遮掩的词的原本的词,所以在计算之前,需要把句子中的一些词替换为MASK交给BERT预测。
4.编码句子
把句子编码成向量,BERT同样也有位置编码层,以让处于不同位置的相同的词有不同的向量表示。与Transformer位置编码固定常量不同,BERT位置编码是一个可学习的参数。
5.编码器
此处的编码器即为Transformer中的编码器,BERT使用了Transformer中的编码器来抽取文本特征。
6.预测两个句子的关系
BERT的计算包括两个子任务,预测两个句子的关系为其中一个子任务,BERT要计算出输入的两个句子的关系,这一般是二分类任务。
7.预测MASK词
这是BERT的另外一个子任务,要预测出句子中的MASK原本的词。
二.数据集介绍和预处理
1.数据集介绍
数据集使用微软提供的MSR Paraphrase数据集进行训练,第1列的数字表示了这2个句子的意思是否相同,2列ID对于训练BERT模型没有用处,只需关注第1列和另外2列String。部分样例如下所示:
2.数据集预处理
数据集预处理代码参考文献[2],处理后包括msr_paraphrase_data.csv和msr_paraphrase_vocab.csv这2个文件,样例数据如下所示:
三.PyTorch中的Transformer工具层
本部分不再手工实现Transformer编解码器,更多的使用PyTorch中已实现的Transformer工具层,从而专注于BERT模型的构建。
1.定义测试数据
模拟虚拟了2句话,每句话8个词,每句话的末尾有一些PAD,如下所示:
# 虚拟数据import torch# 假设有两句话,8个词x = torch.ones(2, 8)# 两句话中各有一些PADx[0, 6:] = 0x[1, 7:] = 0print(x)
复制
输出结果如下所示:
tensor([[1., 1., 1., 1., 1., 1., 0., 0.], [1., 1., 1., 1., 1., 1., 1., 0.]])
复制
2.各个MASK的含义解释
key_padding_mask作用是遮挡数据中的PAD位置,减少计算量;encode_attn_mask定义是否要忽略输入语句中某些词与词间的注意力,在编码器中是不需要的;decode_attn_mask定义是否忽略输出语句中某些词与词之间的注意力,在解码器中是需要的。如下所示:
# 2.各个MASK的含义解释# 定义key_padding_mask# key_padding_mask的定义方式,就是x中是pad的为True,否则是Falsekey_padding_mask = x == 0print(key_padding_mask)# 定义encode_attn_mask# 在encode阶段不需要定义encode_attn_mask# 定义为None或者全False都可以encode_attn_mask = torch.ones(8, 8) == 0print(encode_attn_mask)# 定义decode_attn_mask# 在decode阶段需要定义decode_attn_mask# decode_attn_mask的定义方式是对角线以上为True的上三角矩阵decode_attn_mask = torch.tril(torch.ones(8, 8)) == 0print(decode_attn_mask)
复制
输出结果如下所示:
tensor([[False, False, False, False, False, False, True, True], [False, False, False, False, False, False, False, True]])tensor([[False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False], [False, False, False, False, False, False, False, False]])tensor([[False, True, True, True, True, True, True, True], [False, False, True, True, True, True, True, True], [False, False, False, True, True, True, True, True], [False, False, False, False, True, True, True, True], [False, False, False, False, False, True, True, True], [False, False, False, False, False, False, True, True], [False, False, False, False, False, False, False, True], [False, False, False, False, False, False, False, False]])
复制
3.编码数据
将x
编码为2×8×12,表示2句话、每句话8个词、每个词用12维的Embedding向量表示:
# 编码xx = x.unsqueeze(2) # 在第2维增加一个维度x = x.expand(-1, -1, 12) # 在第2维复制12份print(x, x.shape)
复制
输出结果如下所示:
tensor([[[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]], [[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]]]) torch.Size([2, 8, 12])
复制
4.多头注意力计算函数
在计算多头注意力机制市需要做2次线性变化,一次是对入参的Q、K和V矩阵分别做线性变换,另一次是对注意力分数做线性变换,2次线性变换分别需要2组weight合bias参数,如下所示:
# 定义multi_head_attention_forward()所需要的参数# in_proj就是Q、K、V线性变换的参数in_proj_weight = torch.nn.Parameter(torch.randn(3 * 12, 12))in_proj_bias = torch.nn.Parameter(torch.zeros((3 * 12)))# out_proj就是输出时做线性变换的参数out_proj_weight = torch.nn.Parameter(torch.randn(12, 12))out_proj_bias = torch.nn.Parameter(torch.zeros(12))print(in_proj_weight.shape, in_proj_bias.shape)print(out_proj_weight.shape, out_proj_bias.shape)# 使用工具函数计算多头注意力data = { # 因为不是batch_first的,所以需要进行变形 'query': x.permute(1, 0, 2), # x原始为[2, 8, 12],x.permute为[8, 2, 12] 'key': x.permute(1, 0, 2), 'value': x.permute(1, 0, 2), 'embed_dim_to_check': 12, # 用于检查维度是否正确 'num_heads': 2, # 多头注意力的头数 'in_proj_weight': in_proj_weight, # Q、K、V线性变换的参数 'in_proj_bias': in_proj_bias, # Q、K、V线性变换的参数 'bias_k': None, 'bias_v': None, 'add_zero_attn': False, 'dropout_p': 0.2, # dropout的概率 'out_proj_weight': out_proj_weight, # 输出时做线性变换的参数 'out_proj_bias': out_proj_bias, # 输出时做线性变换的参数 'key_padding_mask': key_padding_mask, 'attn_mask': encode_attn_mask,}score, attn = torch.nn.functional.multi_head_attention_forward(**data)print(score.shape, attn, attn.shape)
复制
(1)bias_k、bias_v:是否要对K和V矩阵单独添加bias,一般设置为None。
(2)add_zero_attn:如果设置为True,那么会在Q、K的注意力结果中单独加一列0,一般设置为默认值False。
(3)key_padding_mask:是否要忽略语句中的某些位置,一般只需忽略PAD的位置。
(4)attn_mask:是否要忽略每个词之间的注意力,在编码器中一般只用全False的矩阵,在解码器中一般使用对角线以上全True的矩阵。
输出结果如下所示:
torch.Size([36, 12]) torch.Size([36])torch.Size([12, 12]) torch.Size([12])torch.Size([8, 2, 12]) tensor([[[0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.0000, 0.0000, 0.0000], [0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.2083, 0.0000, 0.0000], [0.2083, 0.1042, 0.1042, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000], [0.2083, 0.1042, 0.1042, 0.2083, 0.2083, 0.1042, 0.0000, 0.0000], [0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000], [0.2083, 0.1042, 0.2083, 0.2083, 0.1042, 0.2083, 0.0000, 0.0000], [0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000], [0.2083, 0.1042, 0.2083, 0.1042, 0.1042, 0.2083, 0.0000, 0.0000]], [[0.0893, 0.1786, 0.0893, 0.1786, 0.1786, 0.1786, 0.1786, 0.0000], [0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.0000], [0.1786, 0.0000, 0.1786, 0.1786, 0.1786, 0.1786, 0.0893, 0.0000], [0.1786, 0.1786, 0.1786, 0.1786, 0.0893, 0.1786, 0.0893, 0.0000], [0.1786, 0.1786, 0.1786, 0.0000, 0.1786, 0.0893, 0.1786, 0.0000], [0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.0893, 0.0000], [0.1786, 0.0893, 0.0893, 0.1786, 0.1786, 0.0893, 0.0000, 0.0000], [0.1786, 0.1786, 0.0893, 0.0893, 0.1786, 0.1786, 0.1786, 0.0000]]], grad_fn=<MeanBackward1>) torch.Size([2, 8, 8])
复制
5.多头注意力层
封装程度更高的多头注意力层实现方式如下所示:
# 使用多头注意力工具层multihead_attention = torch.nn.MultiheadAttention(embed_dim=12, num_heads=2, dropout=0.2, batch_first=True)data = { 'query': x, 'key': x, 'value': x, 'key_padding_mask': key_padding_mask, 'attn_mask': encode_attn_mask,}score, attn = multihead_attention(**data)print(score.shape, attn, attn.shape)
复制
输出结果如下所示:
torch.Size([2, 8, 12]) tensor([[[0.1042, 0.2083, 0.0000, 0.1042, 0.1042, 0.2083, 0.0000, 0.0000], [0.2083, 0.2083, 0.1042, 0.2083, 0.0000, 0.2083, 0.0000, 0.0000], [0.2083, 0.2083, 0.2083, 0.2083, 0.0000, 0.2083, 0.0000, 0.0000], [0.1042, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000], [0.2083, 0.2083, 0.2083, 0.1042, 0.1042, 0.2083, 0.0000, 0.0000], [0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.1042, 0.0000, 0.0000], [0.1042, 0.0000, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000], [0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000]], [[0.1786, 0.1786, 0.0893, 0.0000, 0.1786, 0.1786, 0.1786, 0.0000], [0.1786, 0.1786, 0.1786, 0.0893, 0.1786, 0.0893, 0.0893, 0.0000], [0.0893, 0.0893, 0.0893, 0.0893, 0.1786, 0.1786, 0.1786, 0.0000], [0.1786, 0.0893, 0.0893, 0.1786, 0.1786, 0.1786, 0.0893, 0.0000], [0.1786, 0.0893, 0.1786, 0.1786, 0.0893, 0.0893, 0.0000, 0.0000], [0.1786, 0.1786, 0.1786, 0.1786, 0.0000, 0.1786, 0.0893, 0.0000], [0.1786, 0.0000, 0.1786, 0.0893, 0.1786, 0.0893, 0.1786, 0.0000], [0.1786, 0.0893, 0.0893, 0.0893, 0.0893, 0.1786, 0.0893, 0.0000]]], grad_fn=<MeanBackward1>) torch.Size([2, 8, 8])
复制
其中,batch_first=True,表示input和output张量的shape为(batch, seq, feature)。默认为False,input和output张量的shape为(seq, batch, feature)。
6.编码器层
编码器包含多个编码器层,其中batch_first表示输入的第1维度是否是batch_size,norm_first通过该参数指定是否将标准化层前置计算。如下所示:
# 使用单层编码器工具层encoder_layer = torch.nn.TransformerEncoderLayer( d_model=12, # 词向量的维度 nhead=2, # 多头注意力的头数 dim_feedforward=24, # 前馈神经网络的隐层维度 dropout=0.2, # dropout的概率 activation=torch.nn.functional.relu, # 激活函数 batch_first=True, # 输入数据的第一维是batch norm_first=True) # 归一化层在前data = { 'src': x, # 输入数据 'src_mask': encode_attn_mask, # 输入数据的mask 'src_key_padding_mask': key_padding_mask, # 输入数据的key_padding_mask}out = encoder_layer(**data)print(out.shape) #torch.Size([2, 8, 12])# 使用编码器工具层encoder = torch.nn.TransformerEncoder( encoder_layer=encoder_layer, # 编码器层 num_layers=3, # 编码器层数 norm=torch.nn.LayerNorm(normalized_shape=12)) # 归一化层data = { 'src': x, # 输入数据 'mask': encode_attn_mask, # 输入数据的mask 'src_key_padding_mask': key_padding_mask, # 输入数据的key_padding_mask}out = encoder(**data)print(out.shape) #torch.Size([2, 8, 12])
复制
7.解码器层
BERT当中不会用到Transformer的解码器,解码器包含多个解码器层,如下所示:
# 7.解码器层# 使用单层解码器工具层decoder_layer = torch.nn.TransformerDecoderLayer( # 解码器层 d_model=12, # 词向量的维度 nhead=2, # 多头注意力的头数 dim_feedforward=24, # 前馈神经网络的隐层维度 dropout=0.2, # dropout的概率 activation=torch.nn.functional.relu, # 激活函数 batch_first=True, # 输入数据的第一维是batch norm_first=True) # 归一化层在前data = { 'tgt': x, # 解码输出的目标语句,即target 'memory': x, # 编码器的编码结果,即解码器解码时的根据数据 'tgt_mask': decode_attn_mask, # 定义是否要忽略词与词之间的注意力,即decode_attn_mask 'memory_mask': encode_attn_mask, # 定义是否要忽略memory内的部分词与词之间的注意力,一般不需要要忽略 'tgt_key_padding_mask': key_padding_mask, # 定义target内哪些位置是PAD,以忽略对PAD的注意力 'memory_key_padding_mask': key_padding_mask, # 定义memory内哪些位置是PAD,以忽略对PAD的注意力}out = decoder_layer(**data)print(out.shape) #(2,8,12)# 使用编码器工具层decoder = torch.nn.TransformerDecoder( # 解码器层 decoder_layer=decoder_layer, # 解码器层 num_layers=3, # 解码器层数 norm=torch.nn.LayerNorm(normalized_shape=12))data = { 'tgt': x, 'memory': x, 'tgt_mask': decode_attn_mask, 'memory_mask': encode_attn_mask, 'tgt_key_padding_mask': key_padding_mask, 'memory_key_padding_mask': key_padding_mask,}out = decoder(**data)print(out.shape) #(2,8,12)
复制
8.完整的Transformer模型
Transformer主模型由编码器和解码器组成,如下所示:
# 使用Transformer工具模型transformer = torch.nn.Transformer(d_model=12, # 词向量的维度 nhead=2, # 多头注意力的头数 num_encoder_layers=3, # 编码器层数 num_decoder_layers=3, # 解码器层数 dim_feedforward=24, # 前馈神经网络的隐层维度 dropout=0.2, # dropout的概率 activation=torch.nn.functional.relu, # 激活函数 custom_encoder=encoder, # 自定义编码器,如果指定为None,那么会使用默认的编码器层堆叠num_encoder_layers层组成编码器 custom_decoder=decoder, # 自定义解码器,如果指定为None,那么会使用默认的解码器层堆叠num_decoder_layers层组成解码器 batch_first=True, # 输入数据的第一维是batch norm_first=True) # 归一化层在前data = { 'src': x, 'tgt': x, 'src_mask': encode_attn_mask, 'tgt_mask': decode_attn_mask, 'memory_mask': encode_attn_mask, 'src_key_padding_mask': key_padding_mask, 'tgt_key_padding_mask': key_padding_mask, 'memory_key_padding_mask': key_padding_mask,}out = transformer(**data)print(out.shape) #torch.Size([2, 8, 12])
复制
四.手动实现BERT模型
因为这部分代码较长,就不放出来了,详细参考文献[4]。需要说明的是BERT在训练阶段有两个子任务,分别为预测两句话的意思是否一致,以及被遮掩的词的原本的词。把编码器抽取的文本特征分别输入两个线性神经网络,并且以此计算这两个输出。重点说下random_replace()函数对所有句子的替换策略,如下所示:
# 定义随机替换函数def random_replace(sent): # sent = [b,63] # 不影响原来的sent sent = sent.clone() # 替换矩阵,形状和sent一样,被替换过的位置是True,其他位置是False replace = sent == -1 # 遍历所有的词 for i in range(len(sent)): for j in range(len(sent[i])): # 如果是符号就不操作了,只替换词 if sent[i, j] <= 10: continue # 以0.15的概率进行操作 if random.random() > 0.15: pass # 对被操作过的位置进行标记,这里的操作包括什么也不做 replace[i, j] = True # 分概率做不同的操作 p = random.random() # 以O.8的概率替换为MASK if p < 0.8: sent[i, j] = vocab.loc['<MASK>'].token # 以0.1的概率不替换 elif p < 0.9: continue # 以0.1的概率替换成随机词 else: # 随机生成一个不是符号的词 rand_word = 0 while rand_word <= 10: rand_word = random.randint(0, len(vocab) - 1) sent[i, j] = rand_word return sent, replace
复制
每个句子中的每个词都有15%的概率被替换,而替换也不仅有替换为MASK这一种情况。在被判定为当前词要替换后,该词有80%的概率被替换为MASK,有10%的概率被替换为一个随机词,有10%的概率不替换为任何词。如下所示:
参考文献:
[1]《HuggingFace自然语言处理详解:基于BERT中文模型的任务实战》
[2]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第14章:手动实现BERT_数据预处理.py
[3]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第14章:手动实现BERT_PyTorch中的Transformer工具层.py
[4]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第14章:手动实现BERT_训练和测试.py
[5]Bert模型的细节到底是怎么样的:https://www.zhihu.com/question/534763354
[6]BERT模型参数量:https://zhuanlan.zhihu.com/p/452267359
[7]HuggingFace Transformers最新版本源码解读:https://zhuanlan.zhihu.com/p/360988428
[8]NLP Course:https://huggingface.co/learn/nlp-course/zh-CN/chapter1/1