大模型-Bert+PET实战

news2024/9/21 12:33:24

PET（Pattern-Exploiting Training）

背景：预训练语言模型（比如BERT）知识全面，但是没有针对下游任务做针对训练，所以效果一般，所以需要根据任务做微调。

核心思想：根据先验知识人工定义模版，将目标分类任务转换为与MLM一致的完形填空，然后再去微调MLM任务参数。

项目介绍：一般情况，我们可以直接用bert模型对评论进行分类，这种效果一般，尤其是比较少小众的场景。但如果用少量带标签的评论样本对Bert模型进行Tuning，那模型效果就会大幅提升。

AutoTokenizer

from transformers import AutoModelForMaskedLM, AutoTokenizer
#使用bert-base-chinese模型
tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-chinese")
my_text = '有时候我常常在想，人活着的意义究竟是什么' #19个字+1个标点符号
sb = tokenizer(text=my_text,truncation=True,max_length=15,padding='max_length')

#得到sb:
{'input_ids': [101, 3300, 3198, 952, 2769, 2382, 2382, 1762, 2682, 8024, 782, 3833, 4708, 4638, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}

tokenizer.decode(sb['input_ids'])#解码'[CLS] 有 时 候 我 常 常 在 想 ， 人 活 着 的 [SEP]'

bert的tokenizer是字符级别的编码，而不是词，标点符号也会编码。
截断15，这15个已经包含了[CLS]和[SEP]。
Bert是一种MLM（Masked Language Modeling）模型。
tokenizer在使用训练结构后，也需要保存。（可能训练的过程它会自动新增token？）

ClassEvaluator（验证模型效果）

    def __init__(self):
        self.goldens = []
        self.predictions = []

在计算验证集指标时，只需要记录两个list，一个是模型预测的标签，另一个是真实的标签，例如self.goldens=["体育","财经"]。
模型评估：训练集有几十条，测试集有几百条。
每10步打印一次loss，每20步用验证集评估一下效果，当f1得分上涨就保存模型。
模型评估：不仅要看整体的评估指标，还要看在每个类别的指标表现。{'衣服': {'precision': 0.55, 'recall': 0.97, 'f1': 0.7}, '酒店': {'precision': 1.0, 'recall': 0.86, 'f1': 0.93}}

HardTemplate

#根据prompt文本创建prompt对象，文本为“这是一条{MASK}评论：{textA}。”
prompt = open('data/prompt.txt','r', encoding='utf8').readlines()[0].strip()
hard_template = HardTemplate(prompt=prompt)  # 模板转换器定义
#input_dict为 {'textA': '天台很好看，躺在躺椅上很悠闲...', 'MASK': '[MASK]'}
encoded_inputs = hard_template(inputs_dict=my_dic,tokenizer=tokenizer,max_seq_len=128,mask_length=2)

流程：①根据文本创建prompt对象②把query文本传入prompt的call方法进行处理。
mask_position是那input_ids中哪个位置需要填充。

模型predict：

流程：先把要待分类的数据（评论）放到prompt中，然后用tokenizer编码放入模型，然后将预测得到的logit转换成ids，然后convert_ids_to_tokens转成子类别名称，然后再查询verbalizer，得到主标签。
verbalizer：有两列第一列主标签（业务需要的分类）第二列子标签（模型输出分类），模型输出不同分类可能映射到同一个主标签。

model = AutoModelForMaskedLM.from_pretrained(model_path) #读取微调后的预训练模型
logits = model(input_ids= ,token_type_ids= ,attention_mask= ).logits #调用模型

input_ids:[5, 128]  # 输入 5个长度128的样本
logits:[5, 128, 21128]  # 挖掉某个位置的进行预测，对所有的可能性打分。（一共21128个词）