前言
本文详细解释了在 tensorflow-gpu 基础上，实现用 BERT + BILSTM 计算文本相似度的过程，主要的配置如下：
tensorflow-gpu == 2.10.0
python == 3.10
transformers == 4.26.1
数据处理
这里导入了后续步骤需要用到的库，包括 NumPy、Pandas、TensorFlow 和 Transformers。同时设置了几个重要的参数。其中，max_length 表示输入文本的最大长度，batch_size 表示每个批次训练的样本数量，epochs 表示训练集训练次数，labels 列表包含了三个分类标签，分别为“矛盾”、“蕴含” 和 “中性”。
import numpy as np
import pandas as pd
import tensorflow as tf
import transformers
max_length = 128
batch_size = 32
epochs = 2
labels = ["contradiction", "entailment", "neutral"]
这里使用 Pandas 库读取了 SNLI 数据集中的训练集、验证集和测试集。其中，训练集只读取了前 30 万条数据。接着打印了各数据集的样本数。然后，打印了训练集中的三组样本，每组样本包括两个句子和分类标签。
train_df = pd.read_csv("SNLI_Corpus/snli_1.0_train.csv", nrows=300000)
valid_df = pd.read_csv("SNLI_Corpus/snli_1.0_dev.csv")
test_df = pd.read_csv("SNLI_Corpus/snli_1.0_test.csv")
print(f"训练集样本数 : {train_df.shape[0]}")
print(f"验证集样本数: {valid_df.shape[0]}")
print(f"测试集样本数: {test_df.shape[0]}")
print()
print(f"句子一: {train_df.loc[5, 'sentence1']}")
print(f"句子二: {train_df.loc[5, 'sentence2']}")
print(f"相似度: {train_df.loc[5, 'similarity']}")
print()
print(f"句子一: {train_df.loc[3, 'sentence1']}")
print(f"句子二: {train_df.loc[3, 'sentence2']}")
print(f"相似度: {train_df.loc[3, 'similarity']}")
print()
print(f"句子一: {train_df.loc[4, 'sentence1']}")
print(f"句子二: {train_df.loc[4, 'sentence2']}")
print(f"相似度: {train_df.loc[4, 'similarity']}")
打印：
训练集样本数 : 300000
验证集样本数: 10000
测试集样本数: 10000
句子一: Children smiling and waving at camera
句子二: The kids are frowning
相似度: contradiction
句子一: Children smiling and waving at camera
句子二: They are smiling at their parents
相似度: neutral
句子一: Children smiling and waving at camera
句子二: There are children present
相似度: entailment
首先使用 dropna 函数删除训练集中的缺失数据。然后对训练集、验证集和测试集中的分类标签为“-”的数据进行了删除操作。接着使用 sample 函数进行了打乱处理，并使用 reset_index 函数重置了索引。最后，打印了处理后的各个数据集样本数。
train_df.dropna(axis=0, inplace=True)
train_df = ( train_df[train_df.similarity != "-"].sample(frac=1.0, random_state=30).reset_index(drop=True) )
valid_df = ( valid_df[valid_df.similarity != "-"].sample(frac=1.0, random_state=30).reset_index(drop=True) )
test_df = ( test_df[test_df.similarity != "-"].sample(frac=1.0, random_state=30).reset_index(drop=True) )
print(f"处理后训练集样本数 : {train_df.shape[0]}")
print(f"处理后验证集样本数: {valid_df.shape[0]}")
print(f"处理后测试集样本数: {test_df.shape[0]}")
打印：
处理后训练集样本数 : 299616
处理后验证集样本数: 9842
处理后测试集样本数: 9824
这里将训练集、验证集和测试集中的分类标签转换为数字，并将标签转换为 one-hot 编码格式。具体来说就是使用 apply 函数将 “contradiction” 标签转换为数字 0，将 “entailment” 标签转换为数字 1，将 “neutral” 标签转换为数字 2。然后，使用 to_categorical 函数将数字标签转换为 one-hot 编码格式。最终使用 y_train、y_val 和 y_test 存储了训练集、验证集和测试集的 one-hot 编码标签结果。
train_df["label"] = train_df["similarity"].apply(lambda x: 0 if x == "contradiction" else 1 if x == "entailment" else 2)
y_train = tf.keras.utils.to_categorical(train_df.label, num_classes=3)
valid_df["label"] = valid_df["similarity"].apply(lambda x: 0 if x == "contradiction" else 1 if x == "entailment" else 2)
y_val = tf.keras.utils.to_categorical(valid_df.label, num_classes=3)
test_df["label"] = test_df["similarity"].apply(lambda x: 0 if x == "contradiction" else 1 if x == "entailment" else 2)
y_test = tf.keras.utils.to_categorical(test_df.label, num_classes=3)
模型搭建
这里定义了一个继承自 tf.keras.utils.Sequence 的类 BertSemanticDataGenerator ，用于生成 BERT 模型训练所需的数据。
在初始化时，需要传入句子对的数组 sentence_pairs 和对应的标签 labels，同时可以指定批次大小 batch_size ，shuffle 表示是否要打乱数据， include_targets 表示是否包含标签信息。类中还定义了一个 BERT 分词器 tokenizer，使用了 bert-base-uncased 预训练模型。
同时实现了 __len__ 、 __getitem__ 、on_epoch_end 三个方法， __len__ 用于获取数据集可以按照 batch_size 均分的批次数量 ，__getitem__ 首先使用索引从 self.sentence_pairs 中获取批数据，然后使用指定的编码器对这些句子对进行编码，使其适用于 BERT 模型的输入，最后返回输入和标签。on_epoch_end 方法在每轮训练之后判断是否需要打乱数据集。
class BertSemanticDataGenerator(tf.keras.utils.Sequence):
def __init__( self, sentence_pairs, labels, batch_size=batch_size, shuffle=True, include_targets=True ):
self.sentence_pairs = sentence_pairs
self.labels = labels
self.shuffle = shuffle
self.batch_size = batch_size
self.include_targets = include_targets
self.tokenizer = transformers.BertTokenizer.from_pretrained("bert-base-uncased", do_lower_case=True )
self.indexes = np.arange(len(self.sentence_pairs))
self.on_epoch_end()
def __len__(self):
return len(self.sentence_pairs) // self.batch_size
def __getitem__(self, idx):
indexes = self.indexes[idx * self.batch_size : (idx + 1) * self.batch_size]
sentence_pairs = self.sentence_pairs[indexes]
encoded = self.tokenizer.batch_encode_plus( sentence_pairs.tolist(), add_special_tokens=True,
max_length=max_length, return_attention_mask=True, return_token_type_ids=True,
pad_to_max_length=True, return_tensors="tf")
input_ids = np.array(encoded["input_ids"], dtype="int32")
attention_masks = np.array(encoded["attention_mask"], dtype="int32")
token_type_ids = np.array(encoded["token_type_ids"], dtype="int32")
if self.include_targets:
labels = np.array(self.labels[indexes], dtype="int32")
return [input_ids, attention_masks, token_type_ids], labels
else:
return [input_ids, attention_masks, token_type_ids]
def on_epoch_end(self):
if self.shuffle:
np.random.RandomState(30).shuffle(self.indexes)
这里使用 TensorFlow2 和 Transformers 库实现了一个基于 BERT 的文本分类模型。以下是代码的主要步骤。
首先，定义了三个输入张量：input_ids、attention_masks 和 token_type_ids ，这些张量的形状都是 (max_length,) ，其中 max_length 是预处理后的文本序列的最大长度。
接下来，定义了一个 BERT 模型 bert_model 。通过调用 TFBertModel.from_pretrained 方法，该模型从预先训练好的 BERT 模型中加载参数。同时，将 bert_model.trainable 设置为 False ，以避免在训练过程中更新 BERT 模型的参数。
然后，将 input_ids、attention_masks 和 token_type_ids 作为输入传入 bert_model ，得到 bert_output 。获取 BERT 模型的最后一个隐藏状态（last_hidden_state），作为 LSTM 层的输入。
接着，使用 Bi-LSTM 层对 sequence_output 进行处理，生成一个具有 64 个输出单元的 LSTM 层，返回整个序列。然后，将 Bi-LSTM 层的输出分别进行全局平均池化和全局最大池化，得到 avg_pool 和 max_pool 。将这两个输出连接起来，形成一个维度为 128 的向量，通过 Dropout 层后，经过一个 Dense 层输出最终的分类结果。
最后，使用 tf.keras.models.Model 方法，将 input_ids、attention_masks 和 token_type_ids 作为输入，output 作为输出，定义一个完整的神经网络模型。并使用 model.compile 方法编译模型，指定了优化器 Adam 、损失函数为 categorical_crossentropy 、评估指标为 acc 。
input_ids = tf.keras.layers.Input(shape=(max_length,), dtype=tf.int32, name="input_ids")
attention_masks = tf.keras.layers.Input(shape=(max_length,), dtype=tf.int32, name="attention_masks")
token_type_ids = tf.keras.layers.Input(shape=(max_length,), dtype=tf.int32, name="token_type_ids")
bert_model = transformers.TFBertModel.from_pretrained("bert-base-uncased")
bert_model.trainable = False
bert_output = bert_model.bert(input_ids, attention_mask=attention_masks, token_type_ids=token_type_ids)
sequence_output = bert_output.last_hidden_state
bi_lstm = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64, return_sequences=True))(sequence_output)
avg_pool = tf.keras.layers.GlobalAveragePooling1D()(bi_lstm)
max_pool = tf.keras.layers.GlobalMaxPooling1D()(bi_lstm)
concat = tf.keras.layers.concatenate([avg_pool, max_pool])
dropout = tf.keras.layers.Dropout(0.5)(concat)
output = tf.keras.layers.Dense(3, activation="softmax")(dropout)
model = tf.keras.models.Model(inputs=[input_ids, attention_masks, token_type_ids], outputs=output)
model.compile( optimizer=tf.keras.optimizers.Adam(), loss="categorical_crossentropy", metrics=["acc"],)
model.summary()
打印模型结构可以看到， BERT 的参数都被冻结了：
Model: "model"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_ids (InputLayer) [(None, 128)] 0 []
attention_masks (InputLayer) [(None, 128)] 0 []
token_type_ids (InputLayer) [(None, 128)] 0 []
bert (TFBertMainLayer) TFBaseModelOutputWi 109482240 ['input_ids[0][0]',
thPoolingAndCrossAt 'attention_masks[0][0]',
tentions(last_hidde 'token_type_ids[0][0]']
n_state=(None, 128,
768),
pooler_output=(Non
e, 768),
past_key_values=No
ne, hidden_states=N
one, attentions=Non
e, cross_attentions
=None)
bidirectional (Bidirectional) (None, 128, 128) 426496 ['bert[0][0]']
global_average_pooling1d (Glob (None, 128) 0 ['bidirectional[0][0]']
alAveragePooling1D)
global_max_pooling1d (GlobalMa (None, 128) 0 ['bidirectional[0][0]']
xPooling1D)
concatenate (Concatenate) (None, 256) 0 ['global_average_pooling1d[0][0]'
, 'global_max_pooling1d[0][0]']
dropout_37 (Dropout) (None, 256) 0 ['concatenate[0][0]']
dense (Dense) (None, 3) 771 ['dropout_37[0][0]']
==================================================================================================
Total params: 109,909,507
Trainable params: 427,267
Non-trainable params: 109,482,240
模型训练
首先，将训练集和验证集传入 BertSemanticDataGenerator 对象中，创建一个训练数据生成器 train_data 和一个验证数据生成器 valid_data。然后，通过调用 model.fit() 方法，对模型进行训练。其中，训练数据为 train_data，验证数据为 valid_data。 use_multiprocessing 和 workers 参数用于指定在训练期间使用的进程数，以加快训练速度。
最后，训练历史记录存储在 history 变量中，可以使用这些历史数据来分析模型的训练效果。
train_data = BertSemanticDataGenerator( train_df[["sentence1", "sentence2"]].values.astype("str"), y_train, batch_size=batch_size, shuffle=True)
valid_data = BertSemanticDataGenerator( valid_df[["sentence1", "sentence2"]].values.astype("str"), y_val, batch_size=batch_size, shuffle=False)
history = model.fit( train_data, validation_data=valid_data, epochs=epochs, use_multiprocessing=True, workers=-1 )
Epoch 1/2
11/9363 [..............................] - ETA: 16:31 - loss: 1.1949 - acc: 0.3580
31/9363 [..............................] - ETA: 13:51 - loss: 1.1223 - acc: 0.3831
...
Epoch 2/2
...
9363/9363 [==============================] - ETA: 0s - loss: 0.5691 - acc: 0.7724
9363/9363 [==============================] - 791s 84ms/step - loss: 0.5691 - acc: 0.7724 - val_loss: 0.4635 - val_acc: 0.8226
微调模型
这里是对训练好的 BERT 模型进行 fine-tuning，即对其进行微调以适应新任务。具体来说就是通过将 bert_model.trainable 设置为 True ，可以使得 BERT 模型中的参数可以在 fine-tuning 过程中进行更新。然后使用 tf.keras.optimizers.Adam(1e-5) 作为优化器，以较小的学习率进行微调。同时使用 categorical_crossentropy 作为损失函数，用来评估模型输出的预测分布与实际标签分布之间的差异。最后，通过 model.summary() 函数查看模型的结构和参数信息，可以发现所有的参数现在都可以训练了。
bert_model.trainable = True
model.compile( optimizer=tf.keras.optimizers.Adam(1e-5), loss="categorical_crossentropy", metrics=["accuracy"] )
model.summary()
打印：
Model: "model"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_ids (InputLayer) [(None, 128)] 0 []
attention_masks (InputLayer) [(None, 128)] 0 []
token_type_ids (InputLayer) [(None, 128)] 0 []
bert (TFBertMainLayer) TFBaseModelOutputWi 109482240 ['input_ids[0][0]',
thPoolingAndCrossAt 'attention_masks[0][0]',
tentions(last_hidde 'token_type_ids[0][0]']
n_state=(None, 128,
768),
pooler_output=(Non
e, 768),
past_key_values=No
ne, hidden_states=N
one, attentions=Non
e, cross_attentions
=None)
bidirectional (Bidirectional) (None, 128, 128) 426496 ['bert[0][0]']
global_average_pooling1d (Glob (None, 128) 0 ['bidirectional[0][0]']
alAveragePooling1D)
global_max_pooling1d (GlobalMa (None, 128) 0 ['bidirectional[0][0]']
xPooling1D)
concatenate (Concatenate) (None, 256) 0 ['global_average_pooling1d[0][0]'
, 'global_max_pooling1d[0][0]']
dropout_37 (Dropout) (None, 256) 0 ['concatenate[0][0]']
dense (Dense) (None, 3) 771 ['dropout_37[0][0]']
==================================================================================================
Total params: 109,909,507
Trainable params: 109,909,507
Non-trainable params: 0
接着上面的模型，继续进行微调训练，我们可以看到这次的准确率比之前有所提升。
history = model.fit( train_data, validation_data=valid_data, epochs=epochs, use_multiprocessing=True, workers=-1,)
打印：
Epoch 1/2
7/9363 [..............................] - ETA: 24:41 - loss: 0.5716 - accuracy: 0.7946
...
Epoch 2/2
...
9363/9363 [==============================] - 1500s 160ms/step - loss: 0.3201 - accuracy: 0.8845 - val_loss: 0.2933 - val_accuracy: 0.8974
模型评估
使用测试数据对模型的性能进行评估。
test_data = BertSemanticDataGenerator( test_df[["sentence1", "sentence2"]].values.astype("str"), y_test, batch_size=batch_size, shuffle=False)
model.evaluate(test_data, verbose=1)
307/307 [==============================] - 18s 57ms/step - loss: 0.2916 - accuracy: 0.8951
推理测试
这里定义了一个名为 check_similarity 的函数，该函数可以用来检查两个句子的语义相似度。传入的参数是两个句子 sentence1 和 sentence2 。首先将这两个句子组成一个 np.array 格式方便处理，然后通过 BertSemanticDataGenerator 函数创建一个数据生成器生成模型需要的测试数据格式，使用训练好的函数返回句子对的预测概率，最后取预测概率最高的类别作为预测结果。
def check_similarity(sentence1, sentence2):
sentence_pairs = np.array([[str(sentence1), str(sentence2)]])
test_data = BertSemanticDataGenerator( sentence_pairs, labels=None, batch_size=1, shuffle=False, include_targets=False )
proba = model.predict(test_data[0])[0]
idx = np.argmax(proba)
proba = f"{proba[idx]: .2f}%"
pred = labels[idx]
return pred, proba
sentence1 = "Male in a blue jacket decides to lay in the grass"
sentence2 = "The guy wearing a blue jacket is laying on the green grass"
check_similarity(sentence1, sentence2)
如何系统的去学习大模型LLM ？
作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1：AI大模型时代的基础理解
- 目标：了解AI大模型的基本概念、发展历程和核心原理。
- 内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
- 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
- 内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
- 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
- 内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
- 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
- 内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划：
- 阶段1：1-2个月，建立AI大模型的基础知识体系。
- 阶段2：2-3个月，专注于API应用开发能力的提升。
- 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
- 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓
