bert 中文代码谷歌_如何用最强模型BERT做NLP迁移学习？

作者 | 台湾大学网红教授李宏毅的三名爱徒

来源 | 井森堡，不定期更新机器学习技术文并附上质量佳且可读性高的代码。

编辑 | Jane

谷歌此前发布的NLP模型BERT，在知乎、Reddit上都引起了轰动。其模型效果极好，BERT论文的作者在论文里做的几个实验数据集都被轰平了。要做那几个数据集的人可以洗洗睡啦，直接被明明白白地安排了一波。

坊间流传 BERT 之于自然语言处理有如 ResNet 之于计算机视觉。谷歌还是谷歌呀，厉害！以后做 NLP 的实验就简单多了，可以先用 BERT 抽特征，再接几层客制化的神经网络后续实验，可以把 BERT 看作是类似于 word to vector 那样的工具。有人在知乎上整理了跑一次BERT的成本：

https://www.zhihu.com/question/298203515/answer/509470502

For TPU pods:4 TPUs * ~$2/h (preemptible) * 24 h/day * 4 days = $768 (base model)16 TPUs = ~$3k (large model) For TPU:16 tpus * $8/hr * 24 h/day * 4 days = 12k64 tpus * $8/hr * 24 h/day * 4 days = 50k For GPU:"BERT-Large is 24-layer, 1024-hidden and was trained for 40 epochs over a 3.3 billion word corpus. So maybe 1 year to train on 8 P100s? "

这还只是跑一次的时间，试想一下谷歌在调参、试不同神经网络结构时该需要多少时间与运算资源，太可怕了。

不禁让人感慨，深度学习已经变为大公司之间的军备竞赛，也只有谷歌这样的大公司才能做出这么伟大的模型，那是不是意味着我们普通人就没机会了呢？喜大普奔的是谷歌已经把训练好的模型公布出来，和大家分享他们的成果。我们可以运用大公司提前训练好的模型做迁移学习，用于客制化的应用。

本文想通过一个实际案例来检验一下提前训练好的 BERT 模型的威力，在已经训练好的 BERT 模型上再连几层神经网络做迁移学习。我们用的数据来源是 Kaggle 上的一个豆瓣影评分析数据集，目标是训练出一个模型，输入给模型一条影评的文字，模型能正确输出这条影评所对应的评分。

数据集

这个豆瓣电影短评数据集里面一共有28部电影，总共200多万笔影评，每笔影评有对应的文字以及用户给电影的评分(最高5分，最低1分)。下面是一些简单的范例：

https://www.kaggle.com/utmhikari/doubanmovieshortcomments/

前处理的时候，我们先把每条影评的标点符号去掉，然后用 Jieba 断词，Jieba 是一个很方便的中文断词函数库，安装也很方面直接用 PIP 安装就好。

最后把数据切为 training,testing 和 validation set 三部分，下表是三个 set 的一些简单统计量：

模型结构

第一步，我们先用“Jieba”将影评断词，再把每个词用一个 one-hot vector 表示。

第二步，再把每条影评对应的 one-hot vector 丢到如下图的 BERT 模型抽出特征。

第三步，再把抽出的特征丢进我们客制化设计的神经网络，最后输出网络的预测。网络的预测是 1-5 分，我们分别做了回归和分类两个实验。分类的输出结果是 1-5 分 5 类当中的某一类，回归输出结果是介于 1-5 之间的一个数值。我们会用到如下图所示的 Bengio 在 2017 年提出的自注意力模型做一些语义分析。

第四步，定义损失函数，固定 BERT 的参数不变，再用梯度下降法更新我们客制化设计的网络。

PS：由于 BERT 和 self-attention 模型结构较为复杂，而且本文的目的是探讨如何用 BERT 做迁移学习，所以我们不会赘述模型结构，我们会在文末附上论文链接，感兴趣的小伙伴可以去看看。

实验结果

BERT 分类

分类准确率：61%
混淆矩阵：

以第 1 行第二列的 0.13 为例：意思是真实标签是第一类，被分类为第二类的占总的第一类的个数的比例是 0.13。可以看到 1 分，5 分的大部分例子都能分类正确。大部分分类不正确的情况是被分到相邻的等级了，例如真实标签是 2 分的被分类为 3 分或是真实标签是 3 分的被分类为 2 分。这种情况是合理的，针对某一条特定的影评，就算是人去预测，也很难斩钉截铁地判定为是 2 分还是 3 分，所以也难怪机器分不出来。

我们对评价标准做了一点修改，将误判为相邻评分的例子判别为正确，结果如下：

分类准确率：94.6%
混淆矩阵：

BERT 回归

同样的架构，我们修改了一下最后一层的输出，让模型预测相应影评的评分，输出一个实数值，重新训练了模型。如果是分类的实验，1 分与 5 分这两个类别用数值表示的话都是一个 one-hot 的类别，体现在损失函数里没有差别，模型不会对二者区别对待。如果是回归的实验，模型的输出是一个实数值，实数值具有连续性，1 分和 5 分二者分数的高低能在实数上得到体现。

下面来看看实验结果：

分类准确率：95.3%
混淆矩阵：

真实评分的分布：

模型预测评分的分布：

我们也对 BERT 出来的特征向量做了 TSNE 降维，可视化结果如下：

根据右上角的图例，不同的颜色代表不同的评分，比如紫色代表五分。每一个点都是一笔影评的高维特征降维后在二维平面上的体现。可以明显看出，不同评分的影评被归在了不同的群里。相近的评分，比如 5 分和 4 分、4 分与 3 分会有一些重叠部分。

自注意力机制的一些可视化结果：

引入自注意力机制的模型在预测一句影评对应的评分的时候，能够先通过注意力机制抓取一句话中的重要部分，给重要部分很多的比重。上述几个例子就能看出来，再模型给一条影评 5 分的时候，会给“爆”、“动人”这样的字眼予以高亮。在给 2 分的时候，会给“一般”这样的字眼予以高亮。

案例分析

接下来我们针对疯狂动物城这部电影，做一些可视化分析，来呈现训练好之后的模型的效果。

分类准确率：72.63%
混淆矩阵：

将误判为相邻评分的例子判别为正确的结果如下：

分类准确率：98.56%
混淆矩阵：

真实评分的分布：

模型预测评分的分布：

TSNE 降维后可视化结果：

自注意力机制可视化结果：

针对疯狂动物城这部电影，我们做了 TF-IDF 的词频分析。

词频前三十的词：

不同评分的高频词：

第一行的 1-5 是评分，下面的词后面的数字代表的是这个词的出现个数。

最后，用一张词云欢快地结束案例分析：

结论

本文用了目前自然语言界最强的模型BERT做迁移学习，效果看起来还挺 okay 的。
BERT 模型可以很好地抽出文字的特征，用于后续的实验。如果小伙伴们有比较好的运算资源，可以把 BERT 当作是一个类似于 word to vector 的工具。
自注意力机制不光能提高模型的效能，同时引入此机制能大大加强模型的可解释性。

参考内容：