Я хочу использовать модель BERT для классификации с несколькими метками с помощью Tensorflow.
Для этого я хочу адаптировать пример run_classifier.py
из репозитория Github BERT, который является примером на как использовать BERT для простой классификации, используя предварительно обученные веса, предоставленные Google Research. (Например, с BERT-Base, Cased
)
У меня X
разные метки, которые имеют значение 0 или 1, поэтому я хочу добавить к исходной модели BERT новый плотный слой размером X
и использовать функцию активации sigmoid_cross_entropy_with_logits
.
Итак, что касается теоретической части, я думаю, что я в порядке.
Проблема в том, что я не знаю, как добавить новый выходной слой и переобучить только этот новый слой с моим набором данных, используя существующий класс BertModel
.
Вот оригинальная create_model()
функция из run_classifier.py
, где, я думаю, мне нужно внести свои изменения. Но я немного не понимаю, что мне 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)
А вот та же функция с некоторыми моими модификациями, но где чего-то не хватает (и чего-то 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 переменной меток с числовых значений на массивы везде, где она используется
Итак, если кто-нибудь знает, что мне делать, чтобы решить мою проблему, или даже укажет на какую-то очевидную ошибку, которую я, возможно, совершил, я был бы рад это услышать.
Примечания :
- Я нашел эту статью, в которой очень хорошо соответствуют тому, что я пытаюсь сделать, но он использует PyTorch, и я не могу перевести его в Tensorflow.