韩国小哥哥用Pytorch实现谷歌最强NLP预训练模型BERT | 代码
乾明 编译整理自 GitHub 量子位 报道
新鲜代码，还热乎着呢。
前几天，谷歌发布了一篇论文，介绍了一个超强的NLP预训练模型BERT。
不仅在SQuAD中摧枯拉朽，全面超越人类表现，还在多种不同NLP测试中创出最佳成绩，包括包括将GLUE基准提升7.6%，将MultiNLI的准确率提提升5.6%。
更重要的是，论文中称，这个预训练语言模型可用于任何NLP任务，整个过程不需要对架构进行实质性的修改。
有人说这是自然语言理解领域几个月来最重大的事件，也有一些人认为这将改变NLP的研究模式。
当然，也有不少人心里长满了“草”，都想上手试试这个模型怎么样。
现在，方法来了。
一位名叫Junseong Kim韩国小哥哥，在GitHub上分享了自己用Pytorch实现BERT的过程与代码。
Junseong Kim表示，代码很简单，而且也易于理解，其中一些代码基于The Annotated Transformer，但尚未得到验证。
The Annotated Transformer来自“Attention is All You Need”，是哈佛大学的一个研究团队对后者的解读与实现，链接在文末。
语言模型预训练
在谷歌的论文中，作者给出了两种针对语言模型进行预训练的任务，分别是Masked Language Model（论文中简称Masked LM）和预测下一句。
Masked LM
Input Sequence : The man went to [MASK] store with [MASK] dog
Target Sequence : the his规则：
根据下面的子规则，随机改变15％的输入token：
1、80%的 token 将成为 [MASK] token。
2、10% 的 token 将成为 [RANDOM] token（另一个单词）。
3、10% 的 token 将维持不变，但是需要预测。
预测下一句
Input : [CLS] the man went to the store [SEP] he bought a gallon of milk [SEP]
Label : Is Next
Input = [CLS] the man heading to the store [SEP] penguin [MASK] are flight ##less birds [SEP]
Label = NotNext“当前的这个句子能够和下一句联系起来吗？”
理解两个文本句子之间的关系，这无法通过语言建模直接获取。
规则：
1、下一句有 50% 的概率是连续的句子。
2、下一句有 50% 的概率是无关的句子。
使用
注意：你的语料库中，一行中要准备两个句子，中间用 (\t) 分隔符隔开。
Welcome to the \t the jungle \n
I can stay \t here all night \n1、根据自己的语料库构建vocab
python build_vocab.py -c data/corpus.small -o data/corpus.small.vocabusage: build_vocab.py [-h] -c CORPUS_PATH -o OUTPUT_PATH [-s VOCAB_SIZE]
[-e ENCODING] [-m MIN_FREQ]
optional arguments:
-h, --help show this help message and exit
-c CORPUS_PATH, --corpus_path CORPUS_PATH
-o OUTPUT_PATH, --output_path OUTPUT_PATH
-s VOCAB_SIZE, --vocab_size VOCAB_SIZE
-e ENCODING, --encoding ENCODING
-m MIN_FREQ, --min_freq MIN_FREQ2、用自己的语料库构建BERT训练数据集
python build_dataset.py -d data/corpus.small -v data/corpus.small.vocab -o data/dataset.smallusage: build_dataset.py [-h] -v VOCAB_PATH -c CORPUS_PATH [-e ENCODING] -o
OUTPUT_PATH
optional arguments:
-h, --help show this help message and exit
-v VOCAB_PATH, --vocab_path VOCAB_PATH
-c CORPUS_PATH, --corpus_path CORPUS_PATH
-e ENCODING, --encoding ENCODING
-o OUTPUT_PATH, --output_path OUTPUT_PATH3训练你自己的BERT模型
python train.py -d data/dataset.small -v data/corpus.small.vocab -o output/usage: train.py [-h] -d TRAIN_DATASET [-t TEST_DATASET] -v VOCAB_PATH -o
OUTPUT_DIR [-hs HIDDEN] [-n LAYERS] [-a ATTN_HEADS]
[-s SEQ_LEN] [-b BATCH_SIZE] [-e EPOCHS]
optional arguments:
-h, --help show this help message and exit
-d TRAIN_DATASET, --train_dataset TRAIN_DATASET
-t TEST_DATASET, --test_dataset TEST_DATASET
-v VOCAB_PATH, --vocab_path VOCAB_PATH
-o OUTPUT_DIR, --output_dir OUTPUT_DIR
-hs HIDDEN, --hidden HIDDEN
-n LAYERS, --layers LAYERS
-a ATTN_HEADS, --attn_heads ATTN_HEADS
-s SEQ_LEN, --seq_len SEQ_LEN
-b BATCH_SIZE, --batch_size BATCH_SIZE
-e EPOCHS, --epochs EPOCHSGitHub传送门：
https://github.com/codertimo/BERT-pytorch
The Annotated Transformer传送门：
http://nlp.seas.harvard.edu/2018/04/03/attention.html
— 完 —
腾讯云开发者
