NLP实验-基于预训练模型的文本分类

使用BERT及其变体实现AclImdb情感分类

- 前言
- - 数据集介绍
  - 【Hugging Face】使用方法和如何挑选一个自己需要的模型
- 基于BERT预训练模型的本文分类
- - 数据预处理
  - 载入文本标记器
  - 将数据转化为模型可以接受的格式
  - 训练模型
  - 加载模型
- 基于RoBerta预训练模型的文本分类
- 基于DeBerta预训练模型的文本分类
- 全部代码链接

2024.05.05 17：35
实现基于预训练模型的文本分类任务，使用三种不同的预训练模型，并对比分类准确率。

前言

数据集介绍

数据集来源：链接
数据集简要概述：该数据集包含电影评论及情感极性标签，其可用于作为一个基准情绪的分类。
共50000条评论，分为25k训练集，25k测试集，25k正面评论，25k负面评论，还有50000条未标记数据用于无监督学习。
数据集结构如下：

|- test
|-- neg
|-- pos
|- train
|-- neg
|-- pos

除此之外，每个电影的评论不超过30条，因为多了会存在相关性。
负面评价≤4分，证明评价≥7分，满分10分。

【Hugging Face】使用方法和如何挑选一个自己需要的模型

参考文章
模型名称解读：在Hugging Face上，模型名称通常是对模型架构、训练数据和任务的一种描述。这些模型名称通常包含了一些关键信息，帮助用户理解模型的基本特征。

【例子】

“bert-base-uncased”
这个模型名称中的"bert"代表了模型架构为BERT（Bidirectional Encoder Representations from Transformers）。
"base"表示这是基本版的模型，通常是指相对较小的模型规模。
"uncased"表示这个模型是在训练数据中将所有文本转换为小写处理的，没有区分大小写。
"bert-base-uncased"表示了一个基于BERT架构的小型模型，适用于不区分大小写的任务。
“gpt2-medium”
这个模型名称中的"gpt2"代表了模型架构为GPT-2（Generative Pre-trained Transformer 2）。
"medium"表示这是GPT-2模型系列中的中型规模模型。
"gpt2-medium"表示了一个中等规模的GPT-2模型。
“roberta-large”
这个模型名称中的"roberta"代表了模型架构为RoBERTa（Robustly Optimized BERT approach）。
"large"表示这是RoBERTa模型系列中的大型规模模型。
"roberta-large"表示了一个大型的RoBERTa模型。
“distilbert-base-uncased-finetuned-sst-2-english”
这个模型名称解释了一些特定的信息。"distilbert"指的是经过蒸馏（distillation）处理的BERT模型，特点是具有较小的模型规模和更快的推理速度。
"base"和"uncased"与之前提到的意义相同。
"finetuned-sst-2"表示这个模型是在SST-2（斯坦福情感树库）数据集上进行了微调（Fine-tuning）以用于情感分类任务。
"english"表示这个模型是为英语任务预训练和微调而创建的。
“t5-base”
这个模型名称中的"t5"是指T5（Text-to-Text Transfer Transformer）模型，这是一种基于Transformer架构的文本生成模型。
"base"与之前提到的意义相同，表示模型的基本版本。
“facebook/wmt19-mu-en-1024”
这个模型名称指的是Facebook团队针对WMT19 Multilingual Translation任务训练的英语-多语言（mu）翻译模型。
"-en"表示英语作为源语言
"1024"表示模型的隐藏状态大小为1024。
TheBloke/Llama-2-13B-chat-GGML
“TheBloke”：这部分可能是指该模型的创建者、团队或者用户名。
“Llama-2-13B”：这部分可能是指模型的架构、版本或系列。它可能是从较早版本的Llama模型发展而来，或者是在Llama模型系列中的第二个版本。 “2-13B"可能指的是模型参数和规模，表明该模型具有130亿个参数。
“chat”：这部分可能指出该模型是专门用于对话或聊天任务的。这种指明任务类型的信息有助于用户了解模型的适用性。
GGML”：这部分可能是指模型的训练或微调框架、方法或技术。
stabilityai/sd-vae-ft-mse-original
“stabilityai”：这部分可能是指模型的创建者、提供者或组织名称。它可能代表一个名为 “stabilityai” 的实体或团队。
“sd-vae-ft-mse-original”：这部分可能提供了关于模型的其他关键信息。例如，“sd-vae” 可能表示变分自动编码器（VAE）的一种改进或特定类型。“ft” 可能是指模型进行了微调（fine-tuning）。“mse-original” 可能是指在模型训练过程中使用了均方误差（Mean Squared Error）作为损失函数或评价指标。

基于BERT预训练模型的本文分类

本文使用 https://huggingface.co/models 中的bert-base-uncased预训练模型进行实战。
首先是模型参数的下载，进入huggingface网址，搜索bert，选择下图中第一个选项，
bert模型参数
点击下载按钮，下载下图中框起来的文件到本地，文件夹命名为’bert-base-uncased‘。
在这里插入图片描述

数据预处理

要想使用Trainer进行训练，需要将数据调整到一定的规范，以下展示使用预训练模型对应的文本标记器（tokenizer）和datasets库处理原始数据。

"token"是什么？：在AI领域，token指文本或代码的最小单元，可以理解为单词或字符的更高级表示，token将文本分解成有意义的片段，例如单词、词根或标点符号，这些片段作为模型的输入，帮助模型理解和生成内容。例如：“我喜欢人工智能”这句话可以被分解成“我”、“喜欢”、“人工智能”三个token，每个token都代表一个独立的语义概念，token的长度和类型取决于具体的模型和应用，有些模型使用单个字符作为token，而有些模型则使用更长的词组或短语作为token。总而言之，token是AIGC模型处理和生成内容的基本单位，对于理解AIGC的工作原理至关重要。

from datasets import Dataset
from transformers import BertTokenizer
import os

# 载入原始数据
def load_data(base_path):
    paths = os.listdir(base_path)
    result = []
    for path in paths:
        with open(os.path.join(base_path, path), 'r', encoding='utf-8') as f:
            result.append(f.readline())
    return result

# 读入数据并转化为datasets.Dataset
def get_dataset(base_path):
		# 为了展示方便，这里只取前3个数据，真实使用需要删掉切片操作
    pos_data = load_data(os.path.join(base_path, 'pos'))[:3]
    neg_data = load_data(os.path.join(base_path, 'neg'))[:3]
    
		# 列表合并
    texts = pos_data + neg_data
		# 生成标签，其中使用 '1.' 和 '0.' 是因为需要转化为浮点数，要不然模型训练时会报错
    labels = [[1., 0.]]*len(pos_data) + [[0., 1.]] * len(neg_data)
    dataset = Dataset.from_dict({'texts':texts, 'labels':labels})
    return dataset

# 加载数据
train_dataset = get_dataset('../data/aclImdb/train/')
test_dataset = get_dataset('../data/aclImdb/test/')

# 可查看数据集结构、标签、特征等
print(train_dataset)
print(train_dataset['labels'])
print(train_dataset.features)

载入文本标记器

# cache_dir是预训练模型的地址
cache_dir="../transformersModels/bert-base-uncased/"
tokenizer = BertTokenizer.from_pretrained(cache_dir)

-注意：这个路径的模型要自己下载，不能是transformer包下的，要不会报错。

将数据转化为模型可以接受的格式

# 设置最大长度
MAX_LENGTH = 512

# 使用文本标记器对texts进行编码
train_dataset = train_dataset.map(lambda e: tokenizer(e['texts'], truncation=True, padding='max_length', max_length=MAX_LENGTH), batched=True)
test_dataset = test_dataset.map(lambda e: tokenizer(e['texts'], truncation=True, padding='max_length', max_length=MAX_LENGTH), batched=True)

# 保存处理好的数据到本地 
# 在数据量大的时候，处理数据需要很长的时间，为了不每次都重新处理数据，可以将数据先存到本地
train_dataset.save_to_disk('./data/train_dataset')
test_dataset.save_to_disk('./data/test_dataset')

‘texts’, ‘labels’, ‘input_ids’, ‘token_type_ids’, ‘attention_mask’

训练模型

from transformers import BertForSequenceClassification, BertTokenizer, Trainer, TrainingArguments, BertConfig
import torch
from datasets import Dataset
import json
import os
# 设定使用的GPU编号，也可以不设置，但trainer会默认使用多GPU
os.environ["CUDA_VISIBLE_DEVICES"] = "1"

# 将num_labels设置为2，因为我们训练的任务为2分类
model = BertForSequenceClassification.from_pretrained('../transformersModels/bert-base-uncased/', num_labels=2)

# 加载处理好的数据
train_dataset = Dataset.load_from_disk('./data/train_dataset/')
test_dataset = Dataset.load_from_disk('./data/test_dataset/')

# 冻结BERT参数
'''
因为BERT是预训练模型，因此可以不再进行权重更新，只对尾部的分类器进行优化。
与此同时，这个设置也会减少训练时使用的时间和显存。
'''
for param in model.base_model.parameters():
    param.requires_grad = False

# 创建trainer
# 训练超参配置
training_args = TrainingArguments(
    output_dir='./my_results',          # output directory 结果输出地址
    num_train_epochs=10,              # total # of training epochs 训练总批次
    per_device_train_batch_size=128,  # batch size per device during training 训练批大小
    per_device_eval_batch_size=128,   # batch size for evaluation 评估批大小
    logging_dir='./my_logs',            # directory for storing logs 日志存储位置
)

# 创建Trainer
trainer = Trainer(
    model=model.to('cuda'),              # the instantiated 🤗 Transformers model to be trained 需要训练的模型
    args=training_args,                  # training arguments, defined above 训练参数
    train_dataset=train_dataset,         # training dataset 训练集
    eval_dataset=test_dataset,           # evaluation dataset 测试集
)

# 训练、评估和保存模型
# 开始训练
trainer.train()

# 开始评估模型
trainer.evaluate()

# 保存模型 会保存到配置的output_dir处
trainer.save_model()
torch.save(model.state_dict(), 'model_save.bin')

这里保存模型参数代码不同可以看：链接

保存模型会生成三个文件：

# 模型配置文件
config.json

# 模型数据文件
model_save.bin

# 训练配置文件
training_args.bin

加载模型

output_config_file = './my_results/config.json'
output_model_file = './my_results/model_save.bin'

config = BertConfig.from_json_file(output_config_file)
model = BertForSequenceClassification(config)
state_dict = torch.load(output_model_file)
model.load_state_dict(state_dict)

cache_dir="../transformersModels/bert-base-uncased/"
tokenizer = BertTokenizer.from_pretrained(cache_dir)
data = tokenizer(['This is a good movie', 'This is a bad movie'], max_length=512, truncation=True, padding='max_length', return_tensors="pt")
print(model(**data))

输出结果：
SequenceClassifierOutput(
loss=None, logits=tensor([
[-0.2951,  0.5463],
[-0.4638,  0.6353]], 
grad_fn=<AddmmBackward0>), 
hidden_states=None, 
attentions=None)

由于只用3条数据训练了10轮，因此结果很差，正常训练结果可以变好了。

参考文章：Transformers实战——使用本地数据进行AclImdb情感分类

基于RoBerta预训练模型的文本分类

将Bert模型中的部分代码进行修改

注：
from transformers import RobertaModel 和 from transformers import RobertaForSequenceClassification 之间的区别在于它们所代表的模型的不同。

RobertaModel 是 Hugging Face Transformers 库中的一个类，它表示了 RoBERTa 模型的基本架构。RobertaModel 只提供了预训练的 RoBERTa 模型的基本功能，例如输入编码、注意力机制等，但不包含用于特定任务（如分类）的额外层。
RobertaForSequenceClassification 是 RobertaModel 的一个派生类，它专门用于进行序列分类任务。RobertaForSequenceClassification 在 RobertaModel 的基础上添加了一个用于分类的线性层（linear layer），该层接收 RoBERTa 的输出并生成分类预测。这使得 RobertaForSequenceClassification 在进行分类任务时更加方便和高效。

因此，当你想要使用 RoBERTa 模型进行序列分类任务时，推荐使用 RobertaForSequenceClassification。如果你只需要 RoBERTa 模型的基本功能，而不涉及特定的任务，那么使用 RobertaModel 就足够了。

from transformers import RobertaTokenizer, RobertaModel, RobertaConfig

tokenizer = RobertaTokenizer.from_pretrained("pretrained_model/roberta_base/")
config = RobertaConfig.from_pretrained("pretrained_model/roberta_base/")
model = RobertaModel.from_pretrained("pretrained_model/roberta_base/")

基于DeBerta预训练模型的文本分类

ValueError: Couldn't instantiate the backend tokenizer from one of: 
(1) a `tokenizers` library serialization file, 
(2) a slow tokenizer instance to convert or 
(3) an equivalent slow tokenizer class to instantiate and convert. 
You need to have sentencepiece installed to convert a slow tokenizer to a fast one.

pip install sentencepiece
之后报错

TypeError: stat: path should be string, bytes, os.PathLike or integer, not NoneType

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("albert-base-v2")

看到某个博客下写的解决方案：
就是把你在huggingface上参考的那个模型，models下面其他相关文件别管有用没用全传上去，我之前就传了两，报这个错
试了下，成功！

全部代码链接

链接如下，欢迎star