240705_昇思学习打卡-Day17-基于 MindSpore 实现 BERT 对话情绪识别

240705_昇思学习打卡-Day17-基于 MindSpore 实现 BERT对话情绪识别

近期确实太忙,此处仅作简单记录:

模型简介

BERT全称是来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers),它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于Transformer中的Encoder并加上双向的结构,因此一定要熟练掌握Transformer的Encoder的结构。

image-20240705234457785

关于Transformer的Encoder的结构在这篇中有提及,可以去参考看看240701_昇思学习打卡-Day13-Vision Transformer图像分类-CSDN博客

BERT模型的主要创新点都在pre-train方法上,即用了Masked Language Model和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。

在用Masked Language Model方法训练BERT的时候,随机把语料库中15%的单词做Mask操作。对于这15%的单词做Mask操作分为三种情况:80%的单词直接用[Mask]替换、10%的单词直接替换成另一个新的单词、10%的单词保持不变。

因为涉及到Question Answering (QA) 和 Natural Language Inference (NLI)之类的任务,增加了Next Sentence Prediction预训练任务,目的是让模型理解两个句子之间的联系。与Masked Language Model任务相比,Next Sentence Prediction更简单些,训练的输入是句子A和B,B有一半的几率是A的下一句,输入这两个句子,BERT模型预测B是不是A的下一句。

BERT预训练之后,会保存它的Embedding table和12层Transformer权重(BERT-BASE)或24层Transformer权重(BERT-LARGE)。使用预训练好的BERT模型可以对下游任务进行Fine-tuning,比如:文本分类、相似度判断、阅读理解等。

对话情绪识别(Emotion Detection,简称EmoTect),专注于识别智能对话场景中用户的情绪,针对智能对话场景中的用户文本,自动判断该文本的情绪类别并给出相应的置信度,情绪类型分为积极、消极、中性。 对话情绪识别适用于聊天、客服等多个场景,能够帮助企业更好地把握对话质量、改善产品的用户交互体验,也能分析客服服务质量、降低人工质检成本。

下面以一个文本情感分类任务为例子来说明BERT模型的整个应用过程。

我们假设已经装好了MindSpore环境

# 该案例在 mindnlp 0.3.1 版本完成适配,如果发现案例跑不通,可以指定mindnlp版本,执行`!pip install mindnlp==0.3.1`
!pip install mindnlp
import osimport mindspore
from mindspore.dataset import text, GeneratorDataset, transforms
from mindspore import nn, contextfrom mindnlp._legacy.engine import Trainer, Evaluator
from mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallback
from mindnlp._legacy.metrics import Accuracy
# prepare dataset
class SentimentDataset:"""Sentiment Dataset"""def __init__(self, path):self.path = pathself._labels, self._text_a = [], []self._load()def _load(self):with open(self.path, "r", encoding="utf-8") as f:dataset = f.read()lines = dataset.split("\n")for line in lines[1:-1]:label, text_a = line.split("\t")self._labels.append(int(label))self._text_a.append(text_a)def __getitem__(self, index):return self._labels[index], self._text_a[index]def __len__(self):return len(self._labels)
# 准备数据集
class 情感分析数据集(SentimentDataset):"""情感分析数据集类,用于加载和管理数据集。参数:path (str): 数据集文件的路径。属性:_labels (list): 存储情感标签的列表。_text_a (list): 存储文本内容的列表。方法:_load(): 从指定路径加载数据集文件,解析内容并存储到_labels和_text_a中。__getitem__(index): 根据索引返回特定样本的标签和文本。__len__(): 返回数据集的样本数量。"""def __init__(self, path):"""初始化情感分析数据集对象,设置数据路径并加载数据。参数:path (str): 数据集文件的路径。"""self.path = pathself._labels, self._text_a = [], []self._load()def _load(self):"""私有方法:读取数据集文件,按行处理数据,分割标签和文本,并存储到实例变量中。"""with open(self.path, "r", encoding="utf-8") as f:dataset = f.read()lines = dataset.split("\n")for line in lines[1:-1]:  # 跳过首行(假设为列名)和末尾的空行label, text_a = line.split("\t")self._labels.append(int(label))  # 添加标签到_labels列表self._text_a.append(text_a)  # 添加文本到_text_a列表def __getitem__(self, index):"""通过索引获取数据集中对应样本的标签和文本。参数:index (int): 数据样本的索引位置。返回:tuple: 包含样本标签和文本的元组 (label, text)。"""return self._labels[index], self._text_a[index]def __len__(self):"""返回数据集中的样本数量。返回:int: 数据集样本数量。"""return len(self._labels)

数据集

这里提供一份已标注的、经过分词预处理的机器人聊天数据集,来自于百度飞桨团队。数据由两列组成,以制表符(‘\t’)分隔,第一列是情绪分类的类别(0表示消极;1表示中性;2表示积极),第二列是以空格分词的中文文本,如下示例,文件为 utf8 编码。

label–text_a

0–谁骂人了?我从来不骂人,我骂的都不是人,你是人吗 ?

1–我有事等会儿就回来和你聊

2–我见到你很高兴谢谢你帮我

这部分主要包括数据集读取,数据格式转换,数据 Tokenize 处理和 pad 操作。

# download dataset
!wget https://baidu-nlp.bj.bcebos.com/emotion_detection-dataset-1.0.0.tar.gz -O emotion_detection.tar.gz
!tar xvf emotion_detection.tar.gz

数据加载和数据预处理

新建 process_dataset 函数用于数据加载和数据预处理,具体内容可见下面代码注释。

import numpy as npdef process_dataset(source, tokenizer, max_seq_len=64, batch_size=32, shuffle=True):"""处理数据集,将其转换为适合模型训练的格式。参数:source: 数据集的来源,可以是文件路径或数据生成器。tokenizer: 用于将文本序列化为模型输入的标记化器。max_seq_len: 最大序列长度,超过这个长度的序列将被截断。batch_size: 每个批次的样本数量。shuffle: 是否在处理数据集前打乱数据顺序。返回:经过处理后的数据集,包括输入序列和标签。"""# 判断是否在昇腾设备上运行is_ascend = mindspore.get_context('device_target') == 'Ascend'# 定义数据集的列名column_names = ["label", "text_a"]# 创建数据集对象dataset = GeneratorDataset(source, column_names=column_names, shuffle=shuffle)# 将字符串类型转换为整型type_cast_op = transforms.TypeCast(mindspore.int32)# 定义文本标记化和填充函数def tokenize_and_pad(text):"""对文本进行标记化和填充,以适应模型的要求。参数:text: 需要处理的文本。返回:标记化和填充后的输入序列和注意力掩码。"""if is_ascend:# 在昇腾设备上,使用特定的处理方式tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len)else:# 在其他设备上,直接进行标记化tokenized = tokenizer(text)return tokenized['input_ids'], tokenized['attention_mask']# 对文本列进行标记化和填充处理dataset = dataset.map(operations=tokenize_and_pad, input_columns="text_a", output_columns=['input_ids', 'attention_mask'])# 对标签列进行类型转换dataset = dataset.map(operations=[type_cast_op], input_columns="label", output_columns='labels')# 根据设备类型选择合适的批次处理方式if is_ascend:# 在昇腾设备上,使用简单的批次处理dataset = dataset.batch(batch_size)else:# 在其他设备上,使用带填充的批次处理dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id),'attention_mask': (None, 0)})return dataset

数据预处理部分采用静态Shape处理:

# 导入BertTokenizer类,用于BERT模型的预训练 tokenizer
from mindnlp.transformers import BertTokenizer# 初始化一个BertTokenizer实例,用于处理中文文本
# 这里使用了预训练的'bert-base-chinese'模型,该模型已经在中文文本上进行了预训练
# 选择这个预训练模型是因为我们的任务是处理中文文本,需要一个针对中文优化的tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
tokenizer.pad_token_id
dataset_train = process_dataset(SentimentDataset("data/train.tsv"), tokenizer)
dataset_val = process_dataset(SentimentDataset("data/dev.tsv"), tokenizer)
dataset_test = process_dataset(SentimentDataset("data/test.tsv"), tokenizer, shuffle=False)
dataset_train.get_col_names()
print(next(dataset_train.create_tuple_iterator()))

image-20240706000224197

模型构建

通过 BertForSequenceClassification 构建用于情感分类的 BERT 模型,加载预训练权重,设置情感三分类的超参数自动构建模型。后面对模型采用自动混合精度操作,提高训练的速度,然后实例化优化器,紧接着实例化评价指标,设置模型训练的权重保存策略,最后就是构建训练器,模型开始训练。

# 导入MindNLP库中用于序列分类任务的BertForSequenceClassification模型与用于获取文本编码表示的BertModel
from mindnlp.transformers import BertForSequenceClassification, BertModel
# 导入auto_mixed_precision函数以启用混合精度训练,能够加速训练过程并减少内存占用
from mindnlp._legacy.amp import auto_mixed_precision# 根据预训练的'bert-base-chinese'模型初始化BertForSequenceClassification模型,设置类别数为3
# 此模型适用于如文本分类任务,将输入文本归类到三个预定义类别中的一个
# 设置BERT模型配置及训练所需参数
model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=3)
# 使用auto_mixed_precision函数对模型应用混合精度训练策略,采用'O1'优化级别
# 混合精度训练通过结合使用float16和float32数据类型来提升训练速度并节省内存资源
model = auto_mixed_precision(model, 'O1')# 定义模型训练使用的优化器为Adam算法,设置学习率为2e-5,并仅针对模型中可训练参数进行优化
optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)
# 初始化Accuracy类,用于计算模型预测的准确率
metric = Accuracy()# 定义回调函数以保存训练过程中的检查点
# CheckpointCallback用于在指定的epoch后保存模型,保存路径为'checkpoint',检查点文件名为'bert_emotect'
# 参数epochs设为1表示每个epoch后保存一次,keep_checkpoint_max=2表示最多保留2个检查点文件
ckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='bert_emotect', epochs=1, keep_checkpoint_max=2)# BestModelCallback用于自动保存验证性能最优的模型,同样保存在'checkpoint'路径下,文件名为'bert_emotect_best'
# 设置auto_load=True可在训练结束后自动加载该最优模型
best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='bert_emotect_best', auto_load=True)# 创建Trainer实例以组织训练流程
# network参数指定训练的模型,train_dataset和eval_dataset分别指定了训练集和验证集
# metrics参数指定了评估模型性能的指标,此处为刚刚定义的准确率Accuracy
# epochs设置训练轮次为5,optimizer为训练使用的优化器,callbacks列表包含了之前定义的保存检查点和最佳模型的回调函数
trainer = Trainer(network=model, train_dataset=dataset_train,eval_dataset=dataset_val, metrics=metric,epochs=5, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb])
%%time
# start training
trainer.run(tgt_columns="labels")

模型验证

将验证数据集加再进训练好的模型,对数据集进行验证,查看模型在验证数据上面的效果,此处的评价指标为准确率。

# 初始化Evaluator对象,用于评估模型性能
# 参数说明:
# network: 待评估的模型
# eval_dataset: 用于评估的测试数据集
# metrics: 评估指标
evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)# 执行模型评估,指定目标列作为评估标签
# 该步骤将计算模型在测试数据集上的指定评估指标
evaluator.run(tgt_columns="labels")
dataset_infer = SentimentDataset("data/infer.tsv")
def predict(text, label=None):"""根据给定的文本进行情感分析预测。参数:text (str): 需要进行情感分析的文本。label (int, optional): 用于比较的预定义标签。如果提供,将打印预测标签和给定标签的比较。返回:无返回值,但打印了模型预测的情感标签以及输入文本。"""# 映射预测结果的标签到人类可读的情感描述label_map = {0: "消极", 1: "中性", 2: "积极"}# 将文本转换为模型输入所需的格式text_tokenized = Tensor([tokenizer(text).input_ids])# 使用模型预测文本的情感logits = model(text_tokenized)predict_label = logits[0].asnumpy().argmax()# 构建包含预测信息的字符串info = f"inputs: '{text}', predict: '{label_map[predict_label]}'"if label is not None:# 如果提供了标签,则添加实际标签的信息info += f" , label: '{label_map[label]}'"# 打印预测结果print(info)
from mindspore import Tensorfor label, text in dataset_infer:predict(text, label)

image-20240706000417506

自定义推理数据集

自己输入一句话,进行测试

predict("家人们咱就是说一整个无语住了 绝绝子叠buff")

打卡图片:

image-20240705235200648

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/41828.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【wordpress教程】wordpress博客网站添加非法关键词拦截

有的网站经常被恶意搜索,站长们不胜其烦。那我们如何屏蔽恶意搜索关键词呢?下面就随小编一起来解决这个问题吧。 后台设置预览图: 设置教程: 1、把以下代码添加至当前主题的 functions.php 文件中: add_action(admi…

【PyTorch】torch.fmod使用截断正态分布truncated normal distribution初始化神经网络的权重

这个代码片段展示了如何用 PyTorch 初始化神经网络的权重,具体使用的是截断正态分布(truncated normal distribution)。截断正态分布意味着生成的值会在一定范围内截断,以防止出现极端值。这里使用 torch.fmod 作为一种变通方法实…

配置linux net.ipv4.ip_forward数据包转发

前言 出于系统安全考虑,在默认情况下,Linux系统是禁止数据包转发的。数据包转发指的是当主机拥有多个网卡时,通过一个网卡接收到的数据包,根据目的IP地址来转发数据包到其他网卡。这个功能通常用于路由器。 如果在Linux系统中需要…

CVPR 2024最佳论文分享:通过解释方法比较Transformers和CNNs的决策机制

CVPR(Conference on Computer Vision and Pattern Recognition)是计算机视觉领域最有影响力的会议之一,主要方向包括图像和视频处理、目标检测与识别、三维视觉等。近期,CVPR 2024 公布了最佳论文。共有10篇论文获奖,其…

计算组的妙用!!页面权限控制

需求描述: 某些特殊的场景下,针对某页看板,需要进行数据权限卡控,但是又不能对全部的数据进行RLS处理,这种情况下可以利用计算组来解决这个需求。 实际场景 事实表包含产品维度和销售维度 两个维度属于同一公司下面的…

限幅滤波法

限幅滤波法 限幅滤波法:根据经验判断,确定两次采样允许的最大偏差值(设为A),每次检测到新值时判断:如果本次值与上次值之差<=A,则本次值有效,如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值。 优点: 能有效克服因偶然因素引起的脉冲…

【Python】已解决:FileNotFoundError: [Errno 2] No such file or directory: ‘./1.xml’

文章目录 一、分析问题背景二、可能出错的原因三、错误代码示例四、正确代码示例五、注意事项 已解决&#xff1a;FileNotFoundError: [Errno 2] No such file or directory: ‘./1.xml’ 一、分析问题背景 在Python编程中&#xff0c;FileNotFoundError是一个常见的异常&…

ChatGPT对话:Python程序自动模拟操作网页,无法弹出下拉列表框

【编者按】需要编写Python程序自动模拟操作网页。编者有编程经验&#xff0c;但没有前端编程经验&#xff0c;完全不知道如何编写这种程序。通过与ChatGPT讨论&#xff0c;1天完成了任务。因为没有这类程序的编程经验&#xff0c;需要边学习&#xff0c;边编程&#xff0c;遇到…

贝尔曼方程(Bellman Equation)

贝尔曼方程(Bellman Equation) 贝尔曼方程(Bellman Equation)是动态规划和强化学习中的核心概念,用于描述最优决策问题中的价值函数的递归关系。它为状态值函数和动作值函数提供了一个重要的递推公式,帮助我们计算每个状态或状态-动作对的预期回报。 贝尔曼方程的原理 …

Python 自动化测试必会技能板块—unittest框架

说到 Python 的单元测试框架&#xff0c;想必接触过 Python 的朋友脑袋里第一个想到的就是 unittest。 的确&#xff0c;作为 Python 的标准库&#xff0c;它很优秀&#xff0c;并被广泛应用于各个项目。但其实在 Python 众多项目中&#xff0c;主流的单元测试框架远不止这一个…

西门子PLC1200--与电脑S7通讯

硬件构成 PLC为西门子1211DCDCDC 电脑上位机用PYTHON编写 二者通讯用网线&#xff0c;通讯协议用S7 PLC上的数据 PLC上的数据是2个uint&#xff0c;在DB1&#xff0c;地址偏移分别是0和2 需要注意的是DB块要关闭优化的块访问&#xff0c;否则是没有偏移地址的 PLC中的数据内…

elementui中日期/时间的禁用处理,使用传值的方式

项目中,经常会用到 在一个学年或者一个学期或者某一个时间段需要做的某件事情,则我们需要在创建这个事件的时候,需要设置一定的时间周期,那这个时间周期就需要给一定的限制处理,避免用户的误操作,优化用户体验 如下:需求为,在选择学年后,学期的设置需要在学年中,且结束时间大…

Spring Cloud Gateway如何匹配某路径并进行路由转发

本案例&#xff0c;将/helloworld-app/**的请求转发到helloworld微服务的/**路径&#xff08;既如lb://helloworld/**&#xff09; 配置如下&#xff08;见spring.cloud.gateway.routes配置&#xff09;&#xff1a; spring:application:name: SpringCloudGatewayDemocloud:n…

软件架构之计算机组成与体系结构

1.1计算机系统组成 计算机系统是一个硬件和软件的综合体&#xff0c;可以把它看成按功能划分的多级层次结构。 1.1.1 计算机硬件的组成 硬件通常是指一切看得见&#xff0c;摸得到的设备实体。原始的冯•诺依曼&#xff08;VonNeumann&#xff09;计算机在结构上是以运算器为…

2024年中国十大杰出起名大师排行榜,最厉害的易经姓名学改名字专家

在2024年揭晓的中国十大杰出易学泰斗评选中&#xff0c;一系列对姓名学与国学易经有深入研究的专家荣登榜单。其中&#xff0c;中国十大权威姓名学专家泰斗顶级杰出代表人物的师傅颜廷利大师以其在国际舞台上的卓越贡献和深邃学识&#xff0c;被公认为姓名学及易经起名领域的权…

C#程序调用Sql Server存储过程异常处理:调用存储过程后不返回、不抛异常的解决方案

目录 一、代码解析&#xff1a; 二、解决方案 1、增加日志记录 2、异步操作 注意事项 3、增加超时机制 4、使用线程池 5、使用信号量或事件 6、监控数据库连接状态 在C#程序操作Sql Server数据库的实际应用中&#xff0c;若异常就会抛出异常&#xff0c;我们还能找到异…

Leetcode 完美数

1.题目要求: 对于一个 正整数&#xff0c;如果它和除了它自身以外的所有 正因子 之和相等&#xff0c;我们称它为 「完美数」。给定一个 整数 n&#xff0c; 如果是完美数&#xff0c;返回 true&#xff1b;否则返回 false。示例 1&#xff1a;输入&#xff1a;num 28 输出&a…

2024年6月份找工作和面试总结

转眼间6月份已经过完了&#xff0c;2024年已经过了一半&#xff0c;希望大家都找到了合适的工作。 本人前段时间写了5月份找工作的情况&#xff0c;请查看2024年5月份面试总结-CSDN博客 但是后续写的总结被和谐了&#xff0c;不知道这篇文章能不能发出来。 1、6月份面试机会依…

网络爬虫基础

网络爬虫基础 网络爬虫&#xff0c;也被称为网络蜘蛛或爬虫&#xff0c;是一种用于自动浏览互联网并从网页中提取信息的软件程序。它们能够访问网站&#xff0c;解析页面内容&#xff0c;并收集所需数据。Python语言因其简洁的语法和强大的库支持&#xff0c;成为实现网络爬虫…

verilog读写文件注意事项

想要的16进制数是文本格式提供的文件&#xff0c;想将16进制数提取到变量内&#xff0c; 可以使用 f s c a n f ( f d 1 , " 也可以使用 fscanf(fd1,"%h",rd_byte);实现 也可以使用 fscanf(fd1,"也可以使用readmemh(“./FILE/1.txt”,mem);//fe放在mem[0…