Я хочу использовать модель BERT для классификации по нескольким меткам с Tensorflow.
Для этого я хочу адаптировать пример run_classifier.py из GERT-репозитория BERT , который является примером того, как использовать BERT для простой классификации с использованием предустановки .веса, данные Google Research .(Например, с BERT-Base, Cased)
У меня есть X различных меток, которые имеют значение 0 или 1, поэтому я хочу добавить к исходной модели BERT новый плотный слой размером X ииспользуя функцию активации sigmoid_cross_entropy_with_logits.
Итак, для теоретической части я думаю, что все в порядке.
Проблема в том, что я не знаю, как я могу добавить новый выходной слой иПереобучите только этот новый слой с моим набором данных, используя существующий класс BertModel.
Вот оригинальная функция create_model() из run_classifier.py, где, как мне кажется, я должен внести свои изменения.Но я немного растерялся, что делать.
def create_model(bert_config, is_training, input_ids, input_mask, segment_ids,
labels, num_labels, use_one_hot_embeddings):
"""Creates a classification model."""
model = modeling.BertModel(
config=bert_config,
is_training=is_training,
input_ids=input_ids,
input_mask=input_mask,
token_type_ids=segment_ids,
use_one_hot_embeddings=use_one_hot_embeddings)
output_layer = model.get_pooled_output()
hidden_size = output_layer.shape[-1].value
output_weights = tf.get_variable(
"output_weights", [num_labels, hidden_size],
initializer=tf.truncated_normal_initializer(stddev=0.02))
output_bias = tf.get_variable(
"output_bias", [num_labels], initializer=tf.zeros_initializer())
with tf.variable_scope("loss"):
if is_training:
# I.e., 0.1 dropout
output_layer = tf.nn.dropout(output_layer, keep_prob=0.9)
logits = tf.matmul(output_layer, output_weights, transpose_b=True)
logits = tf.nn.bias_add(logits, output_bias)
probabilities = tf.nn.softmax(logits, axis=-1)
log_probs = tf.nn.log_softmax(logits, axis=-1)
one_hot_labels = tf.one_hot(labels, depth=num_labels, dtype=tf.float32)
per_example_loss = -tf.reduce_sum(one_hot_labels * log_probs, axis=-1)
loss = tf.reduce_mean(per_example_loss)
return (loss, per_example_loss, logits, probabilities)
И вот та же функция, с некоторыми из моих модификаций, но где чего-то не хватает (и тоже не так?)
def create_model(bert_config, is_training, input_ids, input_mask, segment_ids, labels, num_labels):
"""Creates a classification model."""
model = modeling.BertModel(
config=bert_config,
is_training=is_training,
input_ids=input_ids,
input_mask=input_mask,
token_type_ids=segment_ids)
output_layer = model.get_pooled_output()
hidden_size = output_layer.shape[-1].value
output_weights = tf.get_variable("output_weights", [num_labels, hidden_size],initializer=tf.truncated_normal_initializer(stddev=0.02))
output_bias = tf.get_variable("output_bias", [num_labels], initializer=tf.zeros_initializer())
with tf.variable_scope("loss"):
if is_training:
# I.e., 0.1 dropout
output_layer = tf.nn.dropout(output_layer, keep_prob=0.9)
logits = tf.matmul(output_layer, output_weights, transpose_b=True)
logits = tf.nn.bias_add(logits, output_bias)
probabilities = tf.nn.softmax(logits, axis=-1)
log_probs = tf.nn.log_softmax(logits, axis=-1)
per_example_loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=labels, logits=logits)
loss = tf.reduce_mean(per_example_loss)
return (loss, per_example_loss, logits, probabilities)
Другие вещи, которые я адаптировал в коде и с которыми у меня не было проблем:
- DataProcessor для загрузки и анализа моего пользовательского набора данных
- Изменение типа метокпеременная от числовых значений до массивов везде, где она используется
Итак, если кто-нибудь знает, что мне следует сделать, чтобы решить мою проблему, или даже укажет на очевидную ошибку, которую я, возможно, совершил, я был бы радуслышать.
Примечания:
- Я нашел эту статью , которая очень хорошо соответствует тому, что я пытаюсь сделать, но она использует PyTorch, и я могуне переводить его в Tensorflow.