Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Dostrajanie modelu BERT

Zobacz na TensorFlow.org Wyświetl źródło na GitHub Pobierz notatnik Zobacz model piasty TF

W tym przykładzie będziemy pracować nad dostrajaniem modelu BERT przy użyciu pakietu PIP tensorflow-models.

Pretrained modelu BERT ten poradnik jest na podstawie jest również dostępny na TensorFlow Hub , aby zobaczyć, jak używać go odnosić do Hub dodatku

Ustawiać

Zainstaluj pakiet pip TensorFlow Model Garden

  • tf-models-official to stabilny pakiet Model Garden. Zauważ, że może nie zawierać najnowszych zmian w tensorflow_models github tensorflow_models . Aby uwzględnić najnowsze zmiany, możesz zainstalować tf-models-nightly , który jest nocnym pakietem Model Garden tworzonym automatycznie codziennie.
  • pip automatycznie zainstaluje wszystkie modele i zależności.
pip install -q tf-models-official==2.3.0
WARNING: You are using pip version 20.2.3; however, version 20.2.4 is available.
You should consider upgrading via the '/tmpfs/src/tf_docs_env/bin/python -m pip install --upgrade pip' command.

Import

import os

import numpy as np
import matplotlib.pyplot as plt

import tensorflow as tf

import tensorflow_hub as hub
import tensorflow_datasets as tfds
tfds.disable_progress_bar()

from official.modeling import tf_utils
from official import nlp
from official.nlp import bert

# Load the required submodules
import official.nlp.optimization
import official.nlp.bert.bert_models
import official.nlp.bert.configs
import official.nlp.bert.run_classifier
import official.nlp.bert.tokenization
import official.nlp.data.classifier_data_lib
import official.nlp.modeling.losses
import official.nlp.modeling.models
import official.nlp.modeling.networks

Zasoby

Ten katalog zawiera konfigurację, słownictwo i wstępnie wytrenowany punkt kontrolny używany w tym samouczku:

gs_folder_bert = "gs://cloud-tpu-checkpoints/bert/keras_bert/uncased_L-12_H-768_A-12"
tf.io.gfile.listdir(gs_folder_bert)
['bert_config.json',
 'bert_model.ckpt.data-00000-of-00001',
 'bert_model.ckpt.index',
 'vocab.txt']

Możesz uzyskać wstępnie wyszkolony koder BERT z TensorFlow Hub :

hub_url_bert = "https://hub.tensorflow.google.cn/tensorflow/bert_en_uncased_L-12_H-768_A-12/2"

Dane

W tym przykładzie użyliśmy zestawu danych GLUE MRPC z TFDS .

Ten zbiór danych nie jest skonfigurowany tak, aby można go było bezpośrednio wprowadzić do modelu BERT, więc ta sekcja również zajmuje się niezbędnym przetwarzaniem wstępnym.

Pobierz zestaw danych z TensorFlow Datasets

Microsoft Research Paraphrase Corpus (Dolan & Brockett, 2005) to zbiór par zdań automatycznie wyodrębnianych z internetowych źródeł wiadomości, z ludzkimi adnotacjami określającymi, czy zdania w parze są semantycznie równoważne.

  • Liczba etykiet: 2.
  • Rozmiar zbioru danych szkoleniowych: 3668.
  • Rozmiar zbioru danych do oceny: 408.
  • Maksymalna długość sekwencji zbioru danych dotyczących szkolenia i oceny: 128.
glue, info = tfds.load('glue/mrpc', with_info=True,
                       # It's small, load the whole dataset
                       batch_size=-1)
Downloading and preparing dataset glue/mrpc/1.0.0 (download: 1.43 MiB, generated: Unknown size, total: 1.43 MiB) to /home/kbuilder/tensorflow_datasets/glue/mrpc/1.0.0...
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/glue/mrpc/1.0.0.incompleteKZIBN9/glue-train.tfrecord
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/glue/mrpc/1.0.0.incompleteKZIBN9/glue-validation.tfrecord
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/glue/mrpc/1.0.0.incompleteKZIBN9/glue-test.tfrecord
Dataset glue downloaded and prepared to /home/kbuilder/tensorflow_datasets/glue/mrpc/1.0.0. Subsequent calls will reuse this data.

list(glue.keys())
['test', 'train', 'validation']

Obiekt info opisuje zbiór danych i jego funkcje:

info.features
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=tf.string),
    'sentence2': Text(shape=(), dtype=tf.string),
})

Te dwie klasy to:

info.features['label'].names
['not_equivalent', 'equivalent']

Oto jeden przykład z zestawu treningowego:

glue_train = glue['train']

for key, value in glue_train.items():
  print(f"{key:9s}: {value[0].numpy()}")
idx      : 1680
label    : 0
sentence1: b'The identical rovers will act as robotic geologists , searching for evidence of past water .'
sentence2: b'The rovers act as robotic geologists , moving on six wheels .'

Tokenizer BERT

Aby dostroić wstępnie wytrenowany model, musisz mieć pewność, że używasz dokładnie tego samego tokenizacji, słownictwa i mapowania indeksu, jakie były używane podczas szkolenia.

Tokenizer BERT użyty w tym samouczku jest napisany w czystym Pythonie (nie jest zbudowany z operacji TensorFlow). Nie możesz więc po prostu podłączyć go do swojego modelu jako keras.layer tak jak w przypadku preprocessing.TextVectorization .

Poniższy kod odbudowuje tokenizer, który był używany przez model podstawowy:

# Set up tokenizer to generate Tensorflow dataset
tokenizer = bert.tokenization.FullTokenizer(
    vocab_file=os.path.join(gs_folder_bert, "vocab.txt"),
     do_lower_case=True)

print("Vocab size:", len(tokenizer.vocab))
Vocab size: 30522

Tokenizacja zdania:

tokens = tokenizer.tokenize("Hello TensorFlow!")
print(tokens)
ids = tokenizer.convert_tokens_to_ids(tokens)
print(ids)
['hello', 'tensor', '##flow', '!']
[7592, 23435, 12314, 999]

Przetwórz wstępnie dane

Sekcja ręcznie wstępnie przetworzyła zestaw danych do formatu oczekiwanego przez model.

Ten zestaw danych jest mały, więc wstępne przetwarzanie można wykonać szybko i łatwo w pamięci. W przypadku większych zestawów danych biblioteka tf_models zawiera narzędzia do wstępnego przetwarzania i ponownej serializacji zestawu danych. Zobacz Dodatek: Ponowne kodowanie dużego zbioru danych, aby uzyskać szczegółowe informacje.

Zakoduj zdania

Model oczekuje, że jego dwa zdania wejściowe zostaną połączone razem. Te dane wejściowe powinny rozpoczynać się od tokena [CLS] „To jest problem klasyfikacji”, a każde zdanie powinno kończyć się tokenem [SEP] „Separator”:

tokenizer.convert_tokens_to_ids(['[CLS]', '[SEP]'])
[101, 102]

Zacznij od zakodowania wszystkich zdań, dołączając token [SEP] i umieszczając je w tensorach postrzępionych:

def encode_sentence(s):
   tokens = list(tokenizer.tokenize(s.numpy()))
   tokens.append('[SEP]')
   return tokenizer.convert_tokens_to_ids(tokens)

sentence1 = tf.ragged.constant([
    encode_sentence(s) for s in glue_train["sentence1"]])
sentence2 = tf.ragged.constant([
    encode_sentence(s) for s in glue_train["sentence2"]])
print("Sentence1 shape:", sentence1.shape.as_list())
print("Sentence2 shape:", sentence2.shape.as_list())
Sentence1 shape: [3668, None]
Sentence2 shape: [3668, None]

Teraz dodaj token [CLS] i połącz input_word_ids tensory, aby utworzyć pojedynczy tensor input_word_ids dla każdego przykładu. RaggedTensor.to_tensor() zeruje do najdłuższej sekwencji.

cls = [tokenizer.convert_tokens_to_ids(['[CLS]'])]*sentence1.shape[0]
input_word_ids = tf.concat([cls, sentence1, sentence2], axis=-1)
_ = plt.pcolormesh(input_word_ids.to_tensor())

png

Maska i typ wejścia

Model oczekuje dwóch dodatkowych danych wejściowych:

  • Maska wprowadzania
  • Typ danych wejściowych

Maska pozwala modelce wyraźnie odróżnić zawartość od wypełnienia. Maska ma taki sam kształt jak input_word_ids i zawiera 1 wszędzie tam, gdzie input_word_ids nie jest input_word_ids .

input_mask = tf.ones_like(input_word_ids).to_tensor()

plt.pcolormesh(input_mask)
<matplotlib.collections.QuadMesh at 0x7fad1c07ed30>

png

„Typ danych wejściowych” również ma ten sam kształt, ale wewnątrz obszaru bez dopełnienia zawiera 0 lub 1 wskazujące, którego zdania jest token.

type_cls = tf.zeros_like(cls)
type_s1 = tf.zeros_like(sentence1)
type_s2 = tf.ones_like(sentence2)
input_type_ids = tf.concat([type_cls, type_s1, type_s2], axis=-1).to_tensor()

plt.pcolormesh(input_type_ids)
<matplotlib.collections.QuadMesh at 0x7fad143c1710>

png

Poskładać wszystko do kupy

Zbierz powyższy kod analizujący tekst w jedną funkcję i zastosuj go do każdego podziału zestawu danych glue/mrpc .

def encode_sentence(s, tokenizer):
   tokens = list(tokenizer.tokenize(s))
   tokens.append('[SEP]')
   return tokenizer.convert_tokens_to_ids(tokens)

def bert_encode(glue_dict, tokenizer):
  num_examples = len(glue_dict["sentence1"])
  
  sentence1 = tf.ragged.constant([
      encode_sentence(s, tokenizer)
      for s in np.array(glue_dict["sentence1"])])
  sentence2 = tf.ragged.constant([
      encode_sentence(s, tokenizer)
       for s in np.array(glue_dict["sentence2"])])

  cls = [tokenizer.convert_tokens_to_ids(['[CLS]'])]*sentence1.shape[0]
  input_word_ids = tf.concat([cls, sentence1, sentence2], axis=-1)

  input_mask = tf.ones_like(input_word_ids).to_tensor()

  type_cls = tf.zeros_like(cls)
  type_s1 = tf.zeros_like(sentence1)
  type_s2 = tf.ones_like(sentence2)
  input_type_ids = tf.concat(
      [type_cls, type_s1, type_s2], axis=-1).to_tensor()

  inputs = {
      'input_word_ids': input_word_ids.to_tensor(),
      'input_mask': input_mask,
      'input_type_ids': input_type_ids}

  return inputs
glue_train = bert_encode(glue['train'], tokenizer)
glue_train_labels = glue['train']['label']

glue_validation = bert_encode(glue['validation'], tokenizer)
glue_validation_labels = glue['validation']['label']

glue_test = bert_encode(glue['test'], tokenizer)
glue_test_labels  = glue['test']['label']

Każdy podzbiór danych został przekonwertowany na słownik funkcji i zestaw etykiet. Każda funkcja w słowniku wejściowym ma ten sam kształt, a liczba etykiet powinna pasować:

for key, value in glue_train.items():
  print(f'{key:15s} shape: {value.shape}')

print(f'glue_train_labels shape: {glue_train_labels.shape}')
input_word_ids  shape: (3668, 103)
input_mask      shape: (3668, 103)
input_type_ids  shape: (3668, 103)
glue_train_labels shape: (3668,)

Model

Zbuduj model

Pierwszym krokiem jest pobranie konfiguracji wstępnie wytrenowanego modelu.

import json

bert_config_file = os.path.join(gs_folder_bert, "bert_config.json")
config_dict = json.loads(tf.io.gfile.GFile(bert_config_file).read())

bert_config = bert.configs.BertConfig.from_dict(config_dict)

config_dict
{'attention_probs_dropout_prob': 0.1,
 'hidden_act': 'gelu',
 'hidden_dropout_prob': 0.1,
 'hidden_size': 768,
 'initializer_range': 0.02,
 'intermediate_size': 3072,
 'max_position_embeddings': 512,
 'num_attention_heads': 12,
 'num_hidden_layers': 12,
 'type_vocab_size': 2,
 'vocab_size': 30522}

config definiuje podstawowy model BERT, który jest modelem Keras do przewidywania wyników num_classes z wejść o maksymalnej długości sekwencji max_seq_length .

Ta funkcja zwraca zarówno koder, jak i klasyfikator.

bert_classifier, bert_encoder = bert.bert_models.classifier_model(
    bert_config, num_labels=2)

Klasyfikator ma trzy wejścia i jedno wyjście:

tf.keras.utils.plot_model(bert_classifier, show_shapes=True, dpi=48)

png

Uruchom go na testowej partii danych 10 przykładów z zestawu uczącego. Dane wyjściowe to logi dla dwóch klas:

glue_batch = {key: val[:10] for key, val in glue_train.items()}

bert_classifier(
    glue_batch, training=True
).numpy()
array([[ 0.08382261,  0.34465584],
       [ 0.02057236,  0.24053624],
       [ 0.04930754,  0.1117427 ],
       [ 0.17041089,  0.20810834],
       [ 0.21667874,  0.2840511 ],
       [ 0.02325345,  0.33799925],
       [-0.06198866,  0.13532838],
       [ 0.084592  ,  0.20711854],
       [-0.04323687,  0.17096342],
       [ 0.23759182,  0.16801538]], dtype=float32)

TransformerEncoder w środku powyższego klasyfikatora to bert_encoder .

Sprawdzając koder, widzimy stos warstw Transformer podłączonych do tych samych trzech wejść:

tf.keras.utils.plot_model(bert_encoder, show_shapes=True, dpi=48)

png

Przywróć wagi enkodera

Po zbudowaniu koder jest inicjalizowany losowo. Przywróć wagi enkodera z punktu kontrolnego:

checkpoint = tf.train.Checkpoint(model=bert_encoder)
checkpoint.restore(
    os.path.join(gs_folder_bert, 'bert_model.ckpt')).assert_consumed()
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7fad4580ffd0>

Skonfiguruj optymalizator

BERT stosuje optymalizator Adama z zanikiem masy (znany również jako „ AdamW ”). Wykorzystuje również harmonogram współczynnika uczenia, który najpierw rozgrzewa się od 0, a następnie spada do 0.

# Set up epochs and steps
epochs = 3
batch_size = 32
eval_batch_size = 32

train_data_size = len(glue_train_labels)
steps_per_epoch = int(train_data_size / batch_size)
num_train_steps = steps_per_epoch * epochs
warmup_steps = int(epochs * train_data_size * 0.1 / batch_size)

# creates an optimizer with learning rate schedule
optimizer = nlp.optimization.create_optimizer(
    2e-5, num_train_steps=num_train_steps, num_warmup_steps=warmup_steps)

Zwraca to optymalizator AdamWeightDecay z ustawionym harmonogramem szybkości uczenia się:

type(optimizer)
official.nlp.optimization.AdamWeightDecay

Aby zobaczyć przykład dostosowywania optymalizatora i jego harmonogramu, zobacz załącznik Harmonogram Optymalizatora .

Wytrenuj model

Metryka to dokładność, a jako straty używamy rzadkiej jakościowej krzyżowej entropii.

metrics = [tf.keras.metrics.SparseCategoricalAccuracy('accuracy', dtype=tf.float32)]
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

bert_classifier.compile(
    optimizer=optimizer,
    loss=loss,
    metrics=metrics)

bert_classifier.fit(
      glue_train, glue_train_labels,
      validation_data=(glue_validation, glue_validation_labels),
      batch_size=32,
      epochs=epochs)
Epoch 1/3
115/115 [==============================] - 26s 222ms/step - loss: 0.6151 - accuracy: 0.6611 - val_loss: 0.5462 - val_accuracy: 0.7451
Epoch 2/3
115/115 [==============================] - 24s 212ms/step - loss: 0.4447 - accuracy: 0.8010 - val_loss: 0.4150 - val_accuracy: 0.8309
Epoch 3/3
115/115 [==============================] - 24s 213ms/step - loss: 0.2830 - accuracy: 0.8964 - val_loss: 0.3697 - val_accuracy: 0.8480

<tensorflow.python.keras.callbacks.History at 0x7fad000ebda0>

Teraz uruchom dostrojony model na niestandardowym przykładzie, aby zobaczyć, czy działa.

Zacznij od zakodowania par zdań:

my_examples = bert_encode(
    glue_dict = {
        'sentence1':[
            'The rain in Spain falls mainly on the plain.',
            'Look I fine tuned BERT.'],
        'sentence2':[
            'It mostly rains on the flat lands of Spain.',
            'Is it working? This does not match.']
    },
    tokenizer=tokenizer)

Model powinien zgłaszać „dopasowanie” klasy 1 w pierwszym przykładzie i „brak dopasowania” klasy 0 w drugim:

result = bert_classifier(my_examples, training=False)

result = tf.argmax(result).numpy()
result
array([1, 0])
np.array(info.features['label'].names)[result]
array(['equivalent', 'not_equivalent'], dtype='<U14')

Zapisz model

Często celem treningu modelu jest użycie go do czegoś, więc wyeksportuj model, a następnie przywróć go, aby mieć pewność, że działa.

export_dir='./saved_model'
tf.saved_model.save(bert_classifier, export_dir=export_dir)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/training/tracking/tracking.py:111: Model.state_updates (from tensorflow.python.keras.engine.training) is deprecated and will be removed in a future version.
Instructions for updating:
This property should not be used in TensorFlow 2.0, as updates are applied automatically.

Warning:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/training/tracking/tracking.py:111: Model.state_updates (from tensorflow.python.keras.engine.training) is deprecated and will be removed in a future version.
Instructions for updating:
This property should not be used in TensorFlow 2.0, as updates are applied automatically.

Warning:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/training/tracking/tracking.py:111: Layer.updates (from tensorflow.python.keras.engine.base_layer) is deprecated and will be removed in a future version.
Instructions for updating:
This property should not be used in TensorFlow 2.0, as updates are applied automatically.

Warning:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/training/tracking/tracking.py:111: Layer.updates (from tensorflow.python.keras.engine.base_layer) is deprecated and will be removed in a future version.
Instructions for updating:
This property should not be used in TensorFlow 2.0, as updates are applied automatically.

INFO:tensorflow:Assets written to: ./saved_model/assets

INFO:tensorflow:Assets written to: ./saved_model/assets

reloaded = tf.saved_model.load(export_dir)
reloaded_result = reloaded([my_examples['input_word_ids'],
                            my_examples['input_mask'],
                            my_examples['input_type_ids']], training=False)

original_result = bert_classifier(my_examples, training=False)

# The results are (nearly) identical:
print(original_result.numpy())
print()
print(reloaded_result.numpy())
[[-0.95450354  1.1227685 ]
 [ 0.40344787 -0.58954155]]

[[-0.95450354  1.1227684 ]
 [ 0.4034478  -0.5895414 ]]

dodatek

Ponowne kodowanie dużego zbioru danych

W tym samouczku ponownie zakodowałeś zestaw danych w pamięci dla większej przejrzystości.

Było to możliwe tylko dlatego, że glue/mrpc to bardzo mały zbiór danych. Aby poradzić sobie z większymi zestawami danych, biblioteka tf_models zawiera narzędzia do przetwarzania i ponownego kodowania zestawu danych w celu wydajnego szkolenia.

Pierwszym krokiem jest opisanie, które cechy zbioru danych powinny zostać przekształcone:

processor = nlp.data.classifier_data_lib.TfdsProcessor(
    tfds_params="dataset=glue/mrpc,text_key=sentence1,text_b_key=sentence2",
    process_text_fn=bert.tokenization.convert_to_unicode)

Następnie zastosuj transformację, aby wygenerować nowe pliki TFRecord.

# Set up output of training and evaluation Tensorflow dataset
train_data_output_path="./mrpc_train.tf_record"
eval_data_output_path="./mrpc_eval.tf_record"

max_seq_length = 128
batch_size = 32
eval_batch_size = 32

# Generate and save training data into a tf record file
input_meta_data = (
    nlp.data.classifier_data_lib.generate_tf_record_from_data_file(
      processor=processor,
      data_dir=None,  # It is `None` because data is from tfds, not local dir.
      tokenizer=tokenizer,
      train_data_output_path=train_data_output_path,
      eval_data_output_path=eval_data_output_path,
      max_seq_length=max_seq_length))

Na koniec utwórz tf.data wejściowe tf.data z tych plików TFRecord:

training_dataset = bert.run_classifier.get_dataset_fn(
    train_data_output_path,
    max_seq_length,
    batch_size,
    is_training=True)()

evaluation_dataset = bert.run_classifier.get_dataset_fn(
    eval_data_output_path,
    max_seq_length,
    eval_batch_size,
    is_training=False)()

Wynikowe tf.data.Datasets zwracają tf.data.Datasets (features, labels) , zgodnie z oczekiwaniami keras.Model.fit :

training_dataset.element_spec
({'input_word_ids': TensorSpec(shape=(32, 128), dtype=tf.int32, name=None),
  'input_mask': TensorSpec(shape=(32, 128), dtype=tf.int32, name=None),
  'input_type_ids': TensorSpec(shape=(32, 128), dtype=tf.int32, name=None)},
 TensorSpec(shape=(32,), dtype=tf.int32, name=None))

Utwórz tf.data.Dataset do szkolenia i oceny

Jeśli chcesz zmodyfikować ładowanie danych, oto kod na początek:

def create_classifier_dataset(file_path, seq_length, batch_size, is_training):
  """Creates input dataset from (tf)records files for train/eval."""
  dataset = tf.data.TFRecordDataset(file_path)
  if is_training:
    dataset = dataset.shuffle(100)
    dataset = dataset.repeat()

  def decode_record(record):
    name_to_features = {
      'input_ids': tf.io.FixedLenFeature([seq_length], tf.int64),
      'input_mask': tf.io.FixedLenFeature([seq_length], tf.int64),
      'segment_ids': tf.io.FixedLenFeature([seq_length], tf.int64),
      'label_ids': tf.io.FixedLenFeature([], tf.int64),
    }
    return tf.io.parse_single_example(record, name_to_features)

  def _select_data_from_record(record):
    x = {
        'input_word_ids': record['input_ids'],
        'input_mask': record['input_mask'],
        'input_type_ids': record['segment_ids']
    }
    y = record['label_ids']
    return (x, y)

  dataset = dataset.map(decode_record,
                        num_parallel_calls=tf.data.experimental.AUTOTUNE)
  dataset = dataset.map(
      _select_data_from_record,
      num_parallel_calls=tf.data.experimental.AUTOTUNE)
  dataset = dataset.batch(batch_size, drop_remainder=is_training)
  dataset = dataset.prefetch(tf.data.experimental.AUTOTUNE)
  return dataset
# Set up batch sizes
batch_size = 32
eval_batch_size = 32

# Return Tensorflow dataset
training_dataset = create_classifier_dataset(
    train_data_output_path,
    input_meta_data['max_seq_length'],
    batch_size,
    is_training=True)

evaluation_dataset = create_classifier_dataset(
    eval_data_output_path,
    input_meta_data['max_seq_length'],
    eval_batch_size,
    is_training=False)
training_dataset.element_spec
({'input_word_ids': TensorSpec(shape=(32, 128), dtype=tf.int64, name=None),
  'input_mask': TensorSpec(shape=(32, 128), dtype=tf.int64, name=None),
  'input_type_ids': TensorSpec(shape=(32, 128), dtype=tf.int64, name=None)},
 TensorSpec(shape=(32,), dtype=tf.int64, name=None))

Modele TF BERT na TFHub

Model BERT można dostać z półki w TFHub . Nie byłoby trudno dodać głowicę klasyfikacyjną na szczycie tego hub.KerasLayer

# Note: 350MB download.
import tensorflow_hub as hub
hub_model_name = "bert_en_uncased_L-12_H-768_A-12" 
hub_encoder = hub.KerasLayer(f"https://hub.tensorflow.google.cn/tensorflow/{hub_model_name}/2",
                             trainable=True)

print(f"The Hub encoder has {len(hub_encoder.trainable_variables)} trainable variables")
The Hub encoder has 199 trainable variables

Przetestuj, uruchom go na partii danych:

result = hub_encoder(
    inputs=[glue_train['input_word_ids'][:10],
            glue_train['input_mask'][:10],
            glue_train['input_type_ids'][:10],],
    training=False,
)

print("Pooled output shape:", result[0].shape)
print("Sequence output shape:", result[1].shape)
Pooled output shape: (10, 768)
Sequence output shape: (10, 103, 768)

W tym momencie łatwo byłoby samodzielnie dodać nagłówek klasyfikacji.

Funkcja bert_models.classifier_model może również zbudować klasyfikator na koderze z TensorFlow Hub:

hub_classifier, hub_encoder = bert.bert_models.classifier_model(
    # Caution: Most of `bert_config` is ignored if you pass a hub url.
    bert_config=bert_config, hub_module_url=hub_url_bert, num_labels=2)

Jedyną wadą ładowania tego modelu z TFHub jest brak przywracania struktury wewnętrznych warstw keras. Dlatego trudniej jest sprawdzić lub zmodyfikować model. Model TransformerEncoder jest teraz jednowarstwowy:

tf.keras.utils.plot_model(hub_classifier, show_shapes=True, dpi=64)

png

try:
  tf.keras.utils.plot_model(hub_encoder, show_shapes=True, dpi=64)
  assert False
except Exception as e:
  print(f"{type(e).__name__}: {e}")
AttributeError: 'KerasLayer' object has no attribute 'layers'

Budowa modelu niskiego poziomu

Jeśli potrzebujesz większej kontroli nad budową modelu, warto zauważyć, że wcześniej używana funkcja classifier_model jest tak naprawdę cienkim opakowaniem klas nlp.modeling.networks.TransformerEncoder i nlp.modeling.models.BertClassifier . Pamiętaj tylko, że jeśli zaczniesz modyfikować architekturę, ponowne załadowanie wstępnie wytrenowanego punktu kontrolnego może nie być poprawne lub niemożliwe, więc będziesz musiał ponownie trenować od zera.

Zbuduj koder:

transformer_config = config_dict.copy()

# You need to rename a few fields to make this work:
transformer_config['attention_dropout_rate'] = transformer_config.pop('attention_probs_dropout_prob')
transformer_config['activation'] = tf_utils.get_activation(transformer_config.pop('hidden_act'))
transformer_config['dropout_rate'] = transformer_config.pop('hidden_dropout_prob')
transformer_config['initializer'] = tf.keras.initializers.TruncatedNormal(
          stddev=transformer_config.pop('initializer_range'))
transformer_config['max_sequence_length'] = transformer_config.pop('max_position_embeddings')
transformer_config['num_layers'] = transformer_config.pop('num_hidden_layers')

transformer_config
{'hidden_size': 768,
 'intermediate_size': 3072,
 'num_attention_heads': 12,
 'type_vocab_size': 2,
 'vocab_size': 30522,
 'attention_dropout_rate': 0.1,
 'activation': <function official.modeling.activations.gelu.gelu(x)>,
 'dropout_rate': 0.1,
 'initializer': <tensorflow.python.keras.initializers.initializers_v2.TruncatedNormal at 0x7fac08046e10>,
 'max_sequence_length': 512,
 'num_layers': 12}
manual_encoder = nlp.modeling.networks.TransformerEncoder(**transformer_config)

Przywróć wagi:

checkpoint = tf.train.Checkpoint(model=manual_encoder)
checkpoint.restore(
    os.path.join(gs_folder_bert, 'bert_model.ckpt')).assert_consumed()
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7fabefa596d8>

Uruchom test:

result = manual_encoder(my_examples, training=True)

print("Sequence output shape:", result[0].shape)
print("Pooled output shape:", result[1].shape)
Sequence output shape: (2, 23, 768)
Pooled output shape: (2, 768)

Owiń to w klasyfikator:

manual_classifier = nlp.modeling.models.BertClassifier(
        bert_encoder,
        num_classes=2,
        dropout_rate=transformer_config['dropout_rate'],
        initializer=tf.keras.initializers.TruncatedNormal(
          stddev=bert_config.initializer_range))
manual_classifier(my_examples, training=True).numpy()
array([[ 0.07863025, -0.02940944],
       [ 0.30274656,  0.27299827]], dtype=float32)

Optymalizatory i harmonogramy

Optymalizator używany do trenowania modelu został utworzony przy użyciu funkcji nlp.optimization.create_optimizer :

optimizer = nlp.optimization.create_optimizer(
    2e-5, num_train_steps=num_train_steps, num_warmup_steps=warmup_steps)

To opakowanie wysokiego poziomu określa harmonogramy szybkości uczenia się i optymalizator.

Zastosowany tutaj harmonogram bazowego współczynnika uczenia się to liniowy spadek do zera w trakcie treningu:

epochs = 3
batch_size = 32
eval_batch_size = 32

train_data_size = len(glue_train_labels)
steps_per_epoch = int(train_data_size / batch_size)
num_train_steps = steps_per_epoch * epochs
decay_schedule = tf.keras.optimizers.schedules.PolynomialDecay(
      initial_learning_rate=2e-5,
      decay_steps=num_train_steps,
      end_learning_rate=0)

plt.plot([decay_schedule(n) for n in range(num_train_steps)])
[<matplotlib.lines.Line2D at 0x7fabef5e69e8>]

png

To z kolei jest zawarte w harmonogramie WarmUp , który liniowo zwiększa współczynnik uczenia się do wartości docelowej w ciągu pierwszych 10% treningu:

warmup_steps = num_train_steps * 0.1

warmup_schedule = nlp.optimization.WarmUp(
        initial_learning_rate=2e-5,
        decay_schedule_fn=decay_schedule,
        warmup_steps=warmup_steps)

# The warmup overshoots, because it warms up to the `initial_learning_rate`
# following the original implementation. You can set
# `initial_learning_rate=decay_schedule(warmup_steps)` if you don't like the
# overshoot.
plt.plot([warmup_schedule(n) for n in range(num_train_steps)])
[<matplotlib.lines.Line2D at 0x7fabef559630>]

png

Następnie utwórz nlp.optimization.AdamWeightDecay korzystając z tego harmonogramu skonfigurowanego dla modelu BERT:

optimizer = nlp.optimization.AdamWeightDecay(
        learning_rate=warmup_schedule,
        weight_decay_rate=0.01,
        epsilon=1e-6,
        exclude_from_weight_decay=['LayerNorm', 'layer_norm', 'bias'])