谷歌最强NLP模型BERT如约开源，12小时GitHub标星破1500，即将支持中文

磐创AI

发布于 2018-12-11 10:25:37

7340

发布于 2018-12-11 10:25:37

文章被收录于专栏：磐创AI技术团队的专栏磐创AI技术团队的专栏

BERT终于来了！今天，谷歌研究团队终于在GitHub上发布了万众期待的BERT。

代码放出不到一天，就已经在GitHub上获得1500多星。

项目地址：https://github.com/google-research/bert#fine-tuning-with-bert

就在半个月前，谷歌才发布这个NLP预训练模型的论文（https://arxiv.org/abs/1810.04805）。BERT一出现，就技惊四座碾压了竞争对手，在11项NLP测试中刷新了最高成绩，甚至全面超越了人类的表现。

BERT的出现可以说是NLP领域最重大的事件，谷歌团队的Thang Luong认为BERT标志着NLP新时代的开始。

BERT是什么？

BERT全称Bidirectional Encoder Representations from Transformers，是预训练语言表示的方法，可以在大型文本语料库（如维基百科）上训练通用的“语言理解”模型，然后将该模型用于下游NLP任务，比如机器翻译、问答。

BERT是第一个无监督的用于预训练NLP的深度双向系统。无监督意味着BERT仅使用文本语料库进行训练，也就是说网络上有大量多种语言文本数据可供使用。

NLP预训练的表示也可以是无语境的，也可以是语境关联的，而且语境表示可以是单向的也可以是双向的。

诸如word2vec或GloVe之类的无语境模型由词汇表中的每个单词生成单个“单词嵌入”表示，因此像“bank”这样的单词会有“银行”和“河岸”两种表示。而语境模型则会根据句子中其他单词来生成每个单词的表示。

BERT建立在最近的预训练语境表示工作的基础上，包括半监督序列学习，生成预训练，ELMo和ULMFit，但关键的是这些模型都是单向或浅双向的。

这意味着每个单词仅使用前面（或后面）的单词进行语境化。例如，在“I made a bank deposit”的句子中，做出“bank”的单向表示可能仅仅基于前文“I made”，而不是后文“deposit”。

前人的一些工作确实结合了来自单独的前文或者后文模型的表示，但这种方式很“浅”。

而BERT表示“bank”从深度神经网络的最底层开始，同时结合了上下文“I made a…deposit” ，因此双向的联系很“深”。

BERT使用一种简单的方法：屏蔽输入中15％的单词，通过深度双向Transformer编码器运行整个序列，然后预测被屏蔽的单词。例如：

Input: the man went to the [MASK1] . he bought a [MASK2] of milk.
Labels: [MASK1] = store; [MASK2] = gallon

为了学习句子之间的关系，还训练一个可以从任何单语语料库生成的简单任务：给出两个句子A和B，让机器判断B是A的下一句，还是语料库中的随机句子？

Sentence A: the man went to the store .（句子A：男人走进商店）
Sentence B: he bought a gallon of milk .（句子B：他买了一加仑牛奶）
Label: IsNextSentence （是下一句）

Sentence A: the man went to the store .（句子A：男人走进商店）
Sentence B: penguins are flightless .（句子B：企鹅不会飞）
Label: NotNextSentence （不是下一句）

然后，Google在大型语料库（维基百科和 BookCorpus）上训练了一个大型模型（12层到24层Transformer），花费了很长时间（100万升级步骤），这就是BERT。

使用BERT分为两步：预训练和微调。

预训练的代价非常高昂（需要4到16个云TPU训练4天），但是每种语言都是训练一次就够了。谷歌大脑团队发布了一些预训练的模型，目前仅限英语，但不久后也会发布多语言模型。大多数NLP研究人员根本不需要从头开始训练他们自己的模型。

与预训练不同，微调则比较容易。从完全相同的预训练模型开始，本文中的所有结果只需最多在单个云TPU上运行1小时，或者在GPU上运行几小时。例如，目前最先进的单系统SQuAD，在单个云TPU上训练大约30分钟，就能获得91.0％的Dev F1分数。

BERT的另一个重要特性是，它能适应许多类型的NLP任务。它的论文里就展示了句子级别（如SST-2），句对级别（如MultiNLI），单词级别（如NER）和小段级别（如SQuAD）的最新结果，几乎没有针对特定任务进行修改。

支持汉语吗？

目前放出的预训练模型是英语的，不过，谷歌大脑团队打算11月底之前放出经更多语言预训练的多语种模型。

更多语言究竟包括哪些？官方没有给出准确信息，不过BERT一作Jacob Devlin回应排队求中日韩德甚至马其顿语版本的群众们时说，他正在用维基百科规模最大的60种语言训练模型，汉语、韩语、日语、德语、西班牙语等等都包含在其中。

就是这里列出的1-60号语言：

https://meta.wikimedia.org/wiki/List_of_Wikipedias#All_Wikipedias_ordered_by_number_of_articles

另外，他们对中文做了一点比较特殊的处理，就是把CJK Unicode字符集里的所有字符token化。

项目库中发布了哪些内容？

用于BERT模型架构的TensorFlow代码（主要是标准的Transformer架构）。
BERT-Base和BERT-Large模型小写和Cased版本的预训练检查点。
论文里微调试验的TensorFlow代码，比如SQuAD，MultiNLI和MRPC。此项目库中的所有代码都可以直接用在CPU，GPU和云TPU上。

预训练模型

这里发布的是论文中的BERT-Base和BERT-Large模型。其中，Uncased的意思是，文本在经过WordPiece token化之前，全部会调整成小写，比如“John Smith”会变成“john smith”。Uncased模型也会剔除任何的重音标记。Cased意味着，文本的真实情况和重音标记都会保留下来。

通常情况下，Uncased模型更好，除非文本的原始信息会对你的任务来说非常重要。比如说，识别命名实体或对部分语音标记。

这些模型与源代码（Apache 2.0）的授权相同。

在下面的模型介绍中，沿袭论文中的简称：层数（即 Transformer 块）表示为L，将隐藏尺寸表示为H，将自注意力头（self-attention heads）的数量表示为A。

复制下方链接到浏览器中即可下载

BERT-Base, Uncased：L=12，H=768，A=12，总参数=110M https://storage.googleapis.com/bert_models/2018_10_18/uncased_L-12_H-768_A-12.zip

BERT-Large, Uncased：L=24, H=1024, A=16, 总参数=340M https://storage.googleapis.com/bert_models/2018_10_18/uncased_L-24_H-1024_A-16.zip

BERT-Base, Cased：L=12，H=768，A=12，总参数=110M https://storage.googleapis.com/bert_models/2018_10_18/cased_L-12_H-768_A-12.zip

BERT-Large, Cased：L=24, H=1024, A=16, 总参数=340M https://storage.googleapis.com/bert_models/2018_10_18/cased_L-12_H-768_A-12.zip

每个.zip文件，都包含3个东西：

一个 TensorFlow检查点（bert_model.ckpt），一个vocab文件（vocab.txt）和一个配置文件（bert_config.json）。

如果你想对这些预训练模型进行端到端的微调，参见这份具体操作： https://github.com/google-research/bert/blob/master/README.md#fine-tuning-with-bert

使用 BERT 提取固定特征向量(如 ELMo)

有时候，与对整个预训练模型进行端到端的微调相比，直接获得预训练模型的语境嵌入会更好一些。

预训练模型的语境嵌入，是由预训练模型的隐藏层生成的每个token的固定语境表示。这应该能够减轻大部分内存不足的问题。

比如，脚本extract_features.py，可以这样使用：

# Sentence A and Sentence B are separated by the ||| delimiter.
# For single sentence inputs, don't use the delimiter.
echo 'Who was Jim Henson ? ||| Jim Henson was a puppeteer' > /tmp/input.txt

python extract_features.py \
  --input_file=/tmp/input.txt \
  --output_file=/tmp/output.jsonl \
  --vocab_file=$BERT_BASE_DIR/vocab.txt \
  --bert_config_file=$BERT_BASE_DIR/bert_config.json \
  --init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
  --layers=-1,-2,-3,-4 \
  --max_seq_length=128 \
  --batch_size=8

这将创建一个 JSON 文件（每行输入一行），包含由layers指定的每个Transformer层的BERT 激活（-1是Transformer的最后隐藏层，等等）请注意，这个脚本将产生非常大的输出文件，默认情况下，每个输入token产生大约15kb输出。

如果你预测训练标签，需要保持原始词汇和token词之间的一致性。具体请参阅下面的Token化部分。

Token化

对于句子层级的任务，token化非常简单。按照run_classifier.py和extract_features.py中的代码运行就行了。句子层级任务的基本流程是：

实例化。tokenizer = tokenization.FullTokenizer
将原始文本token化。tokens = tokenizer.tokenize(raw_text).
截断句子长度。（最大序列你最多可以使用512，但因为内存和速度的原因，短一点可能会更好）
在正确的位置添加[ CLS ]和[ SEP ]token。

[ CLS ]是分类输出的特殊符号，[ SEP ]是分离非连续token序列的特殊符号。

单词级别和跨度级别的任务（例如SQuAD 和 NER）更为复杂，因为你需要保证输入文本和输出文本之间对齐，以便你能够映射训练标签。

SQuAD是一个非常复杂的例子，因为输入的标签是基于字符的，而且段落的长度也经常会超过默认的最大序列。查看run_squad.py中的代码，可以看到Google是如何处理这个问题的。

在介绍处理单词级别任务的通用方法之前，了解分词器（tokenizers）到底在做什么非常重要。它主要有三个步骤：

文本标准化：将所有的空白字符转换为空格，在Uncased模型中，要将所有字母小写，并剔除重音标记。例如：John Johanson’s, → john johanson’s,
标点符号分离：把标点符号分为两个部分，也就是说，在所有的标点符号字符周围添加空格。标点符号的定义是： (a)任何具有 p * Unicode 类的东西，(b)任何非字母 / 数字 / 空格 ASCII 字符，例如 $这样的字符，技术上不是标点符号。例如：john johanson’s, → john johanson ‘ s ,
WordPiece token化：将空白token化，应用到上述过程的输出中，并对每个token分别应用WordPiece。（这个实现直接基于 tensor2tensor）。例如：john johanson ‘ s , → john johan ##son ‘ s ,

这个方案的优点在于，它与大多数英语分词器兼容。例如，假设你有一个类似这样的标记部分语音任务：

Input: John Johanson ‘s house
Labels: NNP NNP POS NN

所有的token化输出都是这样的：

Tokens: john johan ##son ‘ s house

至关重要的是，这与输入John Johanson’s house的输出是一样的，在’之前也没有空格。

如果你有一个带有单词级别注释的预token化表示，你可以独立地对每个输入单词进行简单的分析，并确保原始文本到token化文本之间是对齐的：

### Input
orig_tokens = ["John", "Johanson", "'s",  "house"]
labels      = ["NNP",  "NNP",      "POS", "NN"]

### Output
bert_tokens = []

# Token map will be an int -> int mapping between the `orig_tokens` index and
# the `bert_tokens` index.
orig_to_tok_map = []

tokenizer = tokenization.FullTokenizer(
    vocab_file=vocab_file, do_lower_case=True)

bert_tokens.append("[CLS]")
for orig_token in orig_tokens:
  orig_to_tok_map.append(len(bert_tokens))
  bert_tokens.extend(tokenizer.tokenize(orig_token))
bert_tokens.append("[SEP]")

# bert_tokens == ["[CLS]", "john", "johan", "##son", "'", "s", "house", "[SEP]"]
# orig_to_tok_map == [1, 2, 4, 6]

现在，orig_to_tok_map能用来将labels映射到token化表示上。

有一些常见的英语训练方案，会导致BERT的训练方式之间出现轻微的不匹配。

例如，如果你输入的是缩写单词而且又分离开了，比如do n’t，将会出现错误匹配。如果可能的话，你应该预先处理数据，将其转换为原始的文本。如果不处理，这种错误匹配也不是什么大问题。

预训练BERT

如果你想自己预训练BERT，可以看看这份资源中在任意文本语料库上完成“masked LM”和“预测下一句”任务的代码。

注意：这不是论文中的原始代码，但是同样能生成论文中所描述的预训练数据。原始代码是C++写成的，更复杂。

首先是数据生成环节：输入每句一行的纯文本文件，用空行分隔文件，会得到一组TFRecord文件格式的tf.train.Example。

python create_pretraining_data.py \
  --input_file=./sample_text.txt \
  --output_file=/tmp/tf_examples.tfrecord \
  --vocab_file=$BERT_BASE_DIR/vocab.txt \
  --do_lower_case=True \
  --max_seq_length=128 \
  --max_predictions_per_seq=20 \
  --masked_lm_prob=0.15 \
  --random_seed=12345 \
  --dupe_factor=5

这段脚本能把整个输入文件中的所有样例存储到内存，所以，如果输入文件比较大，你要把它分割开，多次调用这个脚本。

max_predictions_per_seq是每个序列能获得masked LM预测的最大值，应该设置到和max_seq_length乘masked_lm_prob差不多。

数据生成之后就可以运行预训练了。

python run_pretraining.py \
  --input_file=/tmp/tf_examples.tfrecord \
  --output_dir=/tmp/pretraining_output \
  --do_train=True \
  --do_eval=True \
  --bert_config_file=$BERT_BASE_DIR/bert_config.json \
  --init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
  --train_batch_size=32 \
  --max_seq_length=128 \
  --max_predictions_per_seq=20 \
  --num_train_steps=20 \
  --num_warmup_steps=10 \
  --learning_rate=2e-5

注意，如果你要从头开始预训练的话，就去掉代码里的init_checkpoint。模型的设置在bert_config_file里。

这段代码只能预训练20步左右，但实际使用中，你可能需要训练10000步以上，在num_train_steps这里设置数字就可以。

另外，max_seq_length和max_predictions_per_seq传递给run_pretraining.py的参数，必须和create_pretraining_data.py.一样。

得到的输出会是这样的：

***** Eval results *****
  global_step = 20
  loss = 0.0979674
  masked_lm_accuracy = 0.985479
  masked_lm_loss = 0.0979328
  next_sentence_accuracy = 1.0
  next_sentence_loss = 3.45724e-05

这里还有一些预训练注意事项：

如果你的任务有大型特定域语料库可用，比如电影评论、科研论文等等，则从BERT检查点开始，对语料库执行额外的预训练步骤可能会有用。

论文中使用的学习率是1e-4。但是，如果你从现有BERT检查点开始执行额外的预训练步骤，则应使用较小的学习率（例如，2e-5）。

现在BERT模型只支持英语，但是Google打算在“不久的将来”发布经过多种语言预训练的多语种模型。这个不久，他们希望是11月底之前。

注意力是序列长度的平方，所以长序列非常昂贵（耗费计算力）。一批64个长度为512的序列，比一批256个长度为128的序列要昂贵的多，它们的全连接、卷积成本相同，但是512长度的序列注意力成本要高很多。

不过有时候确实需要长序列，比如要学习位置嵌入的时候，用长序列就学得非常快。这时候，可以先用短序列（比如长度128）训练90000步，再用长序列（比如长度512）训练10000步。注意，这需要用不同的max_seq_length值生成两次数据。

如果从头开始预训练，请注意：成本很高，在GPU上成本尤其高。Google推荐先用单个可抢占（preemptible）的云TPU v2，预训练BERT-Base。这需要两周时间，500美元，还需要缩小批次大小。

预训练数据：

论文用的预处理数据集……Sorry，Google说不公布了。不过他们提供了一些让你自己搞定数据集的途径。

如果想用维基百科，从这里下载： https://dumps.wikimedia.org/enwiki/latest/enwiki-latest-pages-articles.xml.bz2

然后用WikiExtractor.py提取文本： https://github.com/attardi/wikiextractor

然后进行必要的清理，转换成纯文本。

如果想用BookCorpus数据集，它已经不提供开放下载了，可以用比较小的Project Guttenberg数据集替代： https://web.eecs.umich.edu/~lahiri/gutenberg_dataset.html

还有一个大型文本资源，叫Common Crawl，也可以清理一下提取出预训练BERT要用的语料库： http://commoncrawl.org/

在Colab里使用BERT

Google还提供了更贴心的使用方式：在他们的Colab（全称Colaboratory）里，打开这个名叫“BERT FineTuning with Cloud TPUs”的笔记本，就可以开工了： https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/bert_finetuning_with_cloud_tpus.ipynb

如果你想免费薅一把谷歌云TPU资源，现在Colab是个不错的途径。

FAQ

问：这次放出的代码适用于云TPU么？GPU能用么？答：没问题。这个仓库中的所有代码都能在CPU、GPU和云TPU上跑。但是，GPU训练仅适用于单GPU。

问：提示内存不足，这是什么问题？答：可以参考相关条目解决。官方地址 https://github.com/google-research/bert#out-of-memory-issues

问：会有PyTorch版本发布么？答：没有官网的PyTorch实现。如果有人搞出一个逐行的PyTorch实现，能够直接转换我们预先训练好的检查点，我们很乐意帮忙推广。

问：模型是否会支持更多语言？答：会，我们计划很快发布多语言的BERT模型，会是一个单一模型。现在还无法确定将包括哪些语言，不过在维基百科上语料规模比较大的语言应该都有。

问：还会有比BERT-Large更大的模型么？答：截至目前，我们还没尝试过更大的训练。如果我们能够取得重大的改进，可能会发布更大的模型。

问：这个库使用什么许可证？答：所有代码和模型都在Apache 2.0许可证之下。

— 完 —

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2018-11-03，如有侵权请联系 cloudcommunity@tencent.com 删除

开源

git

http

本文分享自磐创AI 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

开源

git

http

登录后参与评论

0 条评论

热度