快速使用

基于pytorch1.4

BERT模型本质是一种词嵌入模型，也是句子嵌入模型，输入的最大长度是512

BERT模型把离散的单词变成了空间中连续的向量，即把一个单词变成向量

Bert词向量模型的好处：

• 对比word2vec，包含了语境（context）信息
• 对比ELMo，速度快，并行程度高
• 对比GPT模型，包含双向（bidirectional）语境信息
• 在各类NLP任务上效果出众，例如文本分类、问答、词性标注、实体识别等等
• 有预训练模型，只需要微调即可

#!/usr/bin/env python
# coding: utf-8


from transformers import BertTokenizer,BertModel
# BertTokenizer：分词工具
# BertModel：Bert模型
tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")
model = BertModel.from_pretrained("bert-base-chinese")



inputs = tokenizer('让我们来试试Bert模型吧',return_tensors='pt')  # 指定的类型必须是pytorch
# 如果是两个句子前面就写两句
#inputs = tokenizer('让我们来试试Bert模型吧','Bert模型很厉害吧',return_tensors='pt')
print(inputs)
'''
{'input_ids': tensor([[ 101, 6375, 2769,  812, 3341, 6407, 6407,  100, 3563, 1798, 1416,  102]]), 'token_type_ids': tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]), 'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]])}
'''


tokenizer.decode(inputs['input_ids'].data.cpu().numpy().reshape(-1))  # UNK表示Unknow，句首自动加[CLS]，句尾自动加[SEP]
''''[CLS] 让 我 们 来 试 试 [UNK] 模 型 吧 [SEP]''''


outputs = model(**inputs)
sequence_outputs,pooled_outputs = outputs

# token embedding,BERT词向量
outputs[sequence_outputs].shape  # 12是12个input_ids生成的向量，768是Bert-base模型默认768维度的向量
'''torch.Size([1, 12, 768])'''

# sentence embedding，句子向量
outputs[pooled_outputs].shape
'''torch.Size([1, 768])'''

模型类别

Google提供了预训练的模型(的checkpoint)，目前包括英语、汉语和多语言3类模型：

• BERT-Base, Uncased：12层，768隐藏，12头，110M参数
• BERT-Large, Uncased：24层，1024个隐藏，16个头，340M参数
• BERT-Base, Cased：12层，768隐藏，12头，110M参数
• BERT-Large, Cased：24层，1024个隐藏，16个头，340M参数
• BERT-Base, Multilingual Cased (New, recommended)：104种语言，12层，768隐藏，12头，110M参数
• BERT-Base, Multilingual Uncased (Orig, not recommended) （不推荐使用，Multilingual Cased代替使用）：102种语言，12层，768隐藏，12头，110M参数
• BERT-Base, Chinese：中文简体和繁体，12层，768隐藏，12头，110M参数

Uncased的意思是在预处理的时候都变成了小写，而cased是保留大小写。