tensorflow2.10怎么使用BERT实现Semantic Similarity

本篇内容主要讲解“tensorflow2.10怎么使用BERT实现Semantic Similarity”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“tensorflow2.10怎么使用BERT实现Semantic Similarity”吧!

主要的配置如下：

tensorflow-gpu == 2.10.0python == 3.10transformers == 4.26.1

数据处理

这里导入了后续步骤需要用到的库，包括 NumPy、Pandas、TensorFlow 和 Transformers。同时设置了几个重要的参数。其中，max_length 表示输入文本的最大长度，batch_size 表示每个批次训练的样本数量，epochs 表示训练集训练次数，labels 列表包含了三个分类标签，分别为“矛盾”、“蕴含” 和 “中性”。

import numpy as npimport pandas as pdimport tensorflow as tfimport transformersmax_length = 128   batch_size = 32epochs = 2labels = ["contradiction", "entailment", "neutral"]

这里使用 Pandas 库读取了 SNLI 数据集中的训练集、验证集和测试集。其中，训练集只读取了前 30 万条数据。接着打印了各数据集的样本数。然后，打印了训练集中的三组样本，每组样本包括两个句子和分类标签。

train_df = pd.read_csv("SNLI_Corpus/snli_1.0_train.csv", nrows=300000)valid_df = pd.read_csv("SNLI_Corpus/snli_1.0_dev.csv")test_df = pd.read_csv("SNLI_Corpus/snli_1.0_test.csv")print(f"训练集样本数 : {train_df.shape[0]}")print(f"验证集样本数: {valid_df.shape[0]}")print(f"测试集样本数: {test_df.shape[0]}")print()print(f"句子一: {train_df.loc[5, 'sentence1']}")print(f"句子二: {train_df.loc[5, 'sentence2']}")print(f"相似度: {train_df.loc[5, 'similarity']}")print()print(f"句子一: {train_df.loc[3, 'sentence1']}")print(f"句子二: {train_df.loc[3, 'sentence2']}")print(f"相似度: {train_df.loc[3, 'similarity']}")print()print(f"句子一: {train_df.loc[4, 'sentence1']}")print(f"句子二: {train_df.loc[4, 'sentence2']}")print(f"相似度: {train_df.loc[4, 'similarity']}")

打印：

训练集样本数 : 300000
验证集样本数: 10000
测试集样本数: 10000
句子一: Children smiling and waving at camera
句子二: The kids are frowning
相似度: contradiction
句子一: Children smiling and waving at camera
句子二: They are smiling at their parents
相似度: neutral
句子一: Children smiling and waving at camera
句子二: There are children present
相似度: entailment

首先使用 dropna 函数删除训练集中的缺失数据。然后对训练集、验证集

测试集中的分类标签为“-”的数据进行了删除操作。接着使用 sample 函数进行了打乱处理，并使用 reset_index 函数重置了索引。最后，打印了处理后的各个数据集样本数。

train_df.dropna(axis=0, inplace=True)train_df = ( train_df[train_df.similarity != "-"].sample(frac=1.0, random_state=30).reset_index(drop=True) )valid_df = ( valid_df[valid_df.similarity != "-"].sample(frac=1.0, random_state=30).reset_index(drop=True) )test_df  = ( test_df[test_df.similarity != "-"].sample(frac=1.0, random_state=30).reset_index(drop=True) )print(f"处理后训练集样本数 : {train_df.shape[0]}")print(f"处理后验证集样本数: {valid_df.shape[0]}")print(f"处理后测试集样本数: {test_df.shape[0]}")

打印：

处理后训练集样本数 : 299616
处理后验证集样本数: 9842
处理后测试集样本数: 9824

这里将训练集、验证集和测试集中的分类标签转换为数字，并将标签转换为 one-hot 编码格式。具体来说就是使用 apply 函数将 "contradiction" 标签转换为数字 0，将 "entailment" 标签转换为数字 1，将 "neutral" 标签转换为数字 2。然后，使用 to_categorical 函数将数字标签转换为 one-hot 编码格式。最终使用 y_train、y_val 和 y_test 存储了训练集、验证集和测试集的 one-hot 编码标签结果。

train_df["label"] = train_df["similarity"].apply(lambda x: 0 if x == "contradiction" else 1 if x == "entailment" else 2)y_train = tf.keras.utils.to_categorical(train_df.label, num_classes=3)valid_df["label"] = valid_df["similarity"].apply(lambda x: 0 if x == "contradiction" else 1 if x == "entailment" else 2)y_val = tf.keras.utils.to_categorical(valid_df.label, num_classes=3)test_df["label"] = test_df["similarity"].apply(lambda x: 0 if x == "contradiction" else 1 if x == "entailment" else 2)y_test = tf.keras.utils.to_categorical(test_df.label, num_classes=3)

模型搭建

这里定义了一个继承自 tf.keras.utils.Sequence 的类 BertSemanticDataGenerator ，用于生成 BERT 模型训练所需的数据。

在初始化时，需要传入句子对的数组 sentence_pairs 和对应的标签 labels，同时可以指定批次大小 batch_size ，shuffle 表示是否要打乱数据， include_targets 表示是否包含标签信息。类中还定义了一个 BERT 分词器 tokenizer，使用了 bert-base-uncased 预训练模型。

同时实现了 __len__ 、 __getitem__ 、on_epoch_end 三个方法， __len__ 用于获取数据集可以按照 batch_size 均分的批次数量 ，__getitem__ 首先使用索引从 self.sentence_pairs 中获取批数据，然后使用指定的编码器对这些句子对进行编码，使其适用于 BERT 模型的输入，最后返回输入和标签。on_epoch_end 方法在每轮训练之后判断是否需要打乱数据集。

class BertSemanticDataGenerator(tf.keras.utils.Sequence):    def __init__( self, sentence_pairs, labels, batch_size=batch_size, shuffle=True, include_targets=True ):        self.sentence_pairs = sentence_pairs        self.labels = labels        self.shuffle = shuffle        self.batch_size = batch_size        self.include_targets = include_targets        self.tokenizer = transformers.BertTokenizer.from_pretrained("bert-base-uncased", do_lower_case=True )        self.indexes = np.arange(len(self.sentence_pairs))        self.on_epoch_end()    def __len__(self):        return len(self.sentence_pairs) // self.batch_size    def __getitem__(self, idx):        indexes = self.indexes[idx * self.batch_size : (idx + 1) * self.batch_size]        sentence_pairs = self.sentence_pairs[indexes]        encoded = self.tokenizer.batch_encode_plus( sentence_pairs.tolist(), add_special_tokens=True,            max_length=max_length, return_attention_mask=True, return_token_type_ids=True,            pad_to_max_length=True, return_tensors="tf")        input_ids = np.array(encoded["input_ids"], dtype="int32")        attention_masks = np.array(encoded["attention_mask"], dtype="int32")        token_type_ids = np.array(encoded["token_type_ids"], dtype="int32")        if self.include_targets:            labels = np.array(self.labels[indexes], dtype="int32")            return [input_ids, attention_masks, token_type_ids], labels        else:            return [input_ids, attention_masks, token_type_ids]    def on_epoch_end(self):        if self.shuffle:            np.random.RandomState(30).shuffle(self.indexes)

这里使用 TensorFlow2 和 Transformers 库实现了一个基于 BERT 的文本分类模型。以下是代码的主要步骤。

首先，定义了三个输入张量：input_ids、attention_masks 和 token_type_ids ，这些张量的形状都是 (max_length,) ，其中 max_length 是预处理后的文本序列的最大长度。

接下来，定义了一个 BERT 模型 bert_model 。通过调用 TFBertModel.from_pretrained 方法，该模型从预先训练好的 BERT 模型中加载参数。同时，将 bert_model.trainable 设置为 False ，以避免在训练过程中更新 BERT 模型的参数。

然后，将 input_ids、attention_masks 和 token_type_ids 作为输入传入 bert_model ，得到 bert_output 。获取 BERT 模型的最后一个隐藏状态（last_hidden_state），作为 LSTM 层的输入。

接着，使用 Bi-LSTM 层对 sequence_output 进行处理，生成一个具有 64 个输出单元的 LSTM 层，返回整个序列。然后，将 Bi-LSTM 层的输出分别进行全局平均池化和全局最大池化，得到 avg_pool 和 max_pool 。将这两个输出连接起来，形成一个维度为 128 的向量，通过 Dropout 层后，经过一个 Dense 层输出最终的分类结果。

最后，使用 tf.keras.models.Model 方法，将 input_ids、attention_masks 和 token_type_ids 作为输入，output 作为输出，定义一个完整的神经网络模型。并使用 model.compile 方法编译模型，指定了优化器 Adam 、损失函数为 categorical_crossentropy 、评估指标为 acc 。

input_ids = tf.keras.layers.Input(shape=(max_length,), dtype=tf.int32, name="input_ids")attention_masks = tf.keras.layers.Input(shape=(max_length,), dtype=tf.int32, name="attention_masks")token_type_ids = tf.keras.layers.Input(shape=(max_length,), dtype=tf.int32, name="token_type_ids")bert_model = transformers.TFBertModel.from_pretrained("bert-base-uncased")bert_model.trainable = Falsebert_output = bert_model.bert(input_ids, attention_mask=attention_masks, token_type_ids=token_type_ids)sequence_output = bert_output.last_hidden_statebi_lstm = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64, return_sequences=True))(sequence_output)avg_pool = tf.keras.layers.GlobalAveragePooling1D()(bi_lstm)max_pool = tf.keras.layers.GlobalMaxPooling1D()(bi_lstm)concat = tf.keras.layers.concatenate([avg_pool, max_pool])dropout = tf.keras.layers.Dropout(0.5)(concat)output = tf.keras.layers.Dense(3, activation="softmax")(dropout)model = tf.keras.models.Model(inputs=[input_ids, attention_masks, token_type_ids], outputs=output)model.compile( optimizer=tf.keras.optimizers.Adam(), loss="categorical_crossentropy", metrics=["acc"],)model.summary()

打印模型结构可以看到， BERT 的参数都被冻结了：

Model: "model"__________________________________________________________________________________________________ Layer (type)                   Output Shape         Param #     Connected to                     ================================================================================================== input_ids (InputLayer)         [(None, 128)]        0           []                                attention_masks (InputLayer)   [(None, 128)]        0           []                                token_type_ids (InputLayer)    [(None, 128)]        0           []                                bert (TFBertMainLayer)         TFBaseModelOutputWi  109482240   ['input_ids[0][0]',                                              thPoolingAndCrossAt               'attention_masks[0][0]',                                        tentions(last_hidde               'token_type_ids[0][0]']                                         n_state=(None, 128,                                                                                768),                                                                                             pooler_output=(Non                                                                               e, 768),                                                                                           past_key_values=No                                                                               ne, hidden_states=N                                                                               one, attentions=Non                                                                               e, cross_attentions                                                                               =None)                                                             bidirectional (Bidirectional)  (None, 128, 128)     426496      ['bert[0][0]']                    global_average_pooling1d (Glob  (None, 128)         0           ['bidirectional[0][0]']           alAveragePooling1D)                                                                               global_max_pooling1d (GlobalMa  (None, 128)         0           ['bidirectional[0][0]']           xPooling1D)                                                                                       concatenate (Concatenate)      (None, 256)          0           ['global_average_pooling1d[0][0]'                                                                 , 'global_max_pooling1d[0][0]']   dropout_37 (Dropout)           (None, 256)          0           ['concatenate[0][0]']             dense (Dense)                  (None, 3)            771         ['dropout_37[0][0]']             ==================================================================================================Total params: 109,909,507Trainable params: 427,267Non-trainable params: 109,482,240

模型训练

首先，将训练集和验证集传入 BertSemanticDataGenerator 对象中，创建一个训练数据生成器 train_data 和一个验证数据生成器 valid_data。然后，通过调用 model.fit() 方法，对模型进行训练。其中，训练数据为 train_data，验证数据为 valid_data。 use_multiprocessing 和 workers 参数用于指定在训练期间使用的进程数，以加快训练速度。

最后，训练历史记录存储在 history 变量中，可以使用这些历史数据来分析模型的训练效果。

train_data = BertSemanticDataGenerator( train_df[["sentence1", "sentence2"]].values.astype("str"), y_train, batch_size=batch_size, shuffle=True)valid_data = BertSemanticDataGenerator( valid_df[["sentence1", "sentence2"]].values.astype("str"), y_val, batch_size=batch_size, shuffle=False)history = model.fit( train_data, validation_data=valid_data, epochs=epochs, use_multiprocessing=True,  workers=-1 )Epoch 1/211/9363 [..............................] - ETA: 16:31 - loss: 1.1949 - acc: 0.358031/9363 [..............................] - ETA: 13:51 - loss: 1.1223 - acc: 0.3831...Epoch 2/2...9363/9363 [==============================] - ETA: 0s - loss: 0.5691 - acc: 0.77249363/9363 [==============================] - 791s 84ms/step - loss: 0.5691 - acc: 0.7724 - val_loss: 0.4635 - val_acc: 0.8226

微调模型

这里是对训练好的 BERT 模型进行 fine-tuning，即对其进行微调以适应新任务。具体来说就是通过将 bert_model.trainable 设置为 True ，可以使得 BERT 模型中的参数可以在 fine-tuning 过程中进行更新。然后使用 tf.keras.optimizers.Adam(1e-5) 作为优化器，以较小的学习率进行微调。同时使用 categorical_crossentropy 作为损失函数，用来评估模型输出的预测分布与实际标签分布之间的差异。最后，通过 model.summary() 函数查看模型的结构和参数信息，可以发现所有的参数现在都可以训练了。

bert_model.trainable = Truemodel.compile( optimizer=tf.keras.optimizers.Adam(1e-5), loss="categorical_crossentropy",  metrics=["accuracy"] )model.summary()

打印：

Model: "model"__________________________________________________________________________________________________ Layer (type)                   Output Shape         Param #     Connected to                     ================================================================================================== input_ids (InputLayer)         [(None, 128)]        0           []                                attention_masks (InputLayer)   [(None, 128)]        0           []                                token_type_ids (InputLayer)    [(None, 128)]        0           []                                bert (TFBertMainLayer)         TFBaseModelOutputWi  109482240   ['input_ids[0][0]',                                              thPoolingAndCrossAt               'attention_masks[0][0]',                                        tentions(last_hidde               'token_type_ids[0][0]']                                         n_state=(None, 128,                                                                                768),                                                                                             pooler_output=(Non                                                                               e, 768),                                                                                           past_key_values=No                                                                               ne, hidden_states=N                                                                               one, attentions=Non                                                                               e, cross_attentions                                                                               =None)                                                             bidirectional (Bidirectional)  (None, 128, 128)     426496      ['bert[0][0]']                    global_average_pooling1d (Glob  (None, 128)         0           ['bidirectional[0][0]']           alAveragePooling1D)                                                                               global_max_pooling1d (GlobalMa  (None, 128)         0           ['bidirectional[0][0]']           xPooling1D)                                                                                       concatenate (Concatenate)      (None, 256)          0           ['global_average_pooling1d[0][0]'                                                                 , 'global_max_pooling1d[0][0]']   dropout_37 (Dropout)           (None, 256)          0           ['concatenate[0][0]']             dense (Dense)                  (None, 3)            771         ['dropout_37[0][0]']             ==================================================================================================Total params: 109,909,507Trainable params: 109,909,507Non-trainable params: 0

接着上面的模型，继续进行微调训练，我们可以看到这次的准确率比之前有所提升。

history = model.fit( train_data, validation_data=valid_data, epochs=epochs, use_multiprocessing=True, workers=-1,)

打印：

Epoch 1/2
   7/9363 [..............................] - ETA: 24:41 - loss: 0.5716 - accuracy: 0.7946
...
Epoch 2/2
...
    9363/9363 [==============================] - 1500s 160ms/step - loss: 0.3201 - accuracy: 0.8845 - val_loss: 0.2933 - val_accuracy: 0.8974
 

模型评估

使用测试数据对模型的性能进行评估。

test_data = BertSemanticDataGenerator(  test_df[["sentence1", "sentence2"]].values.astype("str"), y_test, batch_size=batch_size, shuffle=False)model.evaluate(test_data, verbose=1)307/307 [==============================] - 18s 57ms/step - loss: 0.2916 - accuracy: 0.8951

推理测试

这里定义了一个名为 check_similarity 的函数，该函数可以用来检查两个句子的语义相似度。传入的参数是两个句子 sentence1 和 sentence2 。首先将这两个句子组成一个 np.array 格式方便处理，然后通过 BertSemanticDataGenerator 函数创建一个数据生成器生成模型需要的测试数据格式，使用训练好的函数返回句子对的预测概率，最后取预测概率最高的类别作为预测结果。

def check_similarity(sentence1, sentence2):    sentence_pairs = np.array([[str(sentence1), str(sentence2)]])    test_data = BertSemanticDataGenerator( sentence_pairs, labels=None, batch_size=1, shuffle=False, include_targets=False )    proba = model.predict(test_data[0])[0]    idx = np.argmax(proba)    proba = f"{proba[idx]: .2f}%"    pred = labels[idx]    return pred, probasentence1 = "Male in a blue jacket decides to lay in the grass"sentence2 = "The guy wearing a blue jacket is laying on the green grass"check_similarity(sentence1, sentence2)

打印：

('entailment', ' 0.51%')

到此，相信大家对“tensorflow2.10怎么使用BERT实现Semantic Similarity”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！