BERT模型的PyTorch实现

谷歌NLP模型的官方TensorFlow实现很强，现在，它的PyTorch版本来了！只需简单运行一次转换脚本，就可得到一个PyTorch模型，且结果与原始版本相近，甚至更好。

上周，谷歌最强NLP模型BERT开源了官方TensorFlow代码和预训练模型，引起大量关注。

现在，PyTorch用户的福利来了：一个名为Hugging Face的团队近日公开了BERT模型的谷歌官方TensorFlow库的op-for-op PyTorch重新实现：

https://github.com/huggingface/pytorch-pretrained-BERT

这个实现可以为BERT加载任何预训练的TensorFlow checkpoint（特别是谷歌的官方预训练模型），并提供一个转换脚本。

BERT-base和BERT-large模型的参数数量分别为110M和340M，为了获得良好的性能，很难使用推荐的batch size在单个GPU上对其进行微调。为了帮助微调模型，这个repo还提供了3种可以在微调脚本中激活技术：梯度累积（gradient-accumulation）、multi-GPU和分布式训练。

其结果如下：

在序列级MRPC分类任务上，该实现使用小型BERT-base模型再现了原始实现的84%-88%的准确率。

在token级的SQuAD 任务上，该个实现使用小型BERT-base模型再现了原始实现的88.52 F1的结果。

作者表示，正致力于在其他任务以及更大的BERT模型上重现结果。

BERT模型的PyTorch实现

这个存储库包含了谷歌BERT模型的官方TensorFlow存储库的op-for-op PyTorch重新实现。谷歌的官方存储库是与BERT论文一起发布的：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding，作者是Jacob Devlin、Ming-Wei Chang、Kenton Lee和Kristina Toutanova。

这个实现可以为BERT加载任何预训练的TensorFlow checkpoint(特别是谷歌的预训练模型)，并提供了一个转换脚本(见下文)。

此外，我们将在本周晚些时候添加多语言版本和中文版本的模型代码。

脚本：加载任何TensorFlow检查点

使用convert_tf_checkpoint_to_pytorch.py脚本，你可以在PyTorch保存文件中转换BERT的任何TensorFlow检查点(尤其是谷歌发布的官方预训练模型)。

这个脚本将TensorFlow checkpoint（以bert_model.ckpt开头的三个文件）和相关的配置文件（bert_config.json）作为输入，并为此配置创建PyTorch模型，从PyTorch模型的TensorFlow checkpoint加载权重并保存生成的模型在一个标准PyTorch保存文件中，可以使用 torch.load()导入（请参阅extract_features.py，run_classifier.py和run_squad.py中的示例）。

只需要运行一次这个转换脚本，就可以得到一个PyTorch模型。然后，你可以忽略TensorFlow checkpoint(以bert_model.ckpt开头的三个文件)，但是一定要保留配置文件(bert_config.json)和词汇表文件(vocab.txt)，因为PyTorch模型也需要这些文件。

要运行这个特定的转换脚本，你需要安装TensorFlow和PyTorch。该库的其余部分只需要PyTorch。

下面是一个预训练的BERT-Base Uncased 模型的转换过程示例:

export BERT_BASE_DIR=/path/to/bert/uncased_L-12_H-768_A-12 python convert_tf_checkpoint_to_pytorch.py --tf_checkpoint_path $BERT_BASE_DIR/bert_model.ckpt --bert_config_file $BERT_BASE_DIR/bert_config.json --pytorch_dump_path $BERT_BASE_DIR/pytorch_model.bin

你可以在这里下载Google的预训练转换模型：

https://github.com/google-research/bert#pre-trained-models

BERT的PyTorch模型

在这个库里，我们提供了三个PyTorch模型，你可以在modeling.py中找到：

BertModel- 基本的BERT Transformer 模型

BertForSequenceClassification- 顶部带有sequence classification head的BERT模型

BertForQuestionAnswering- 顶部带有token classification head 的BERT模型，

以下是每类模型的一些细节。

1 . BertModel

BertModel是一个基本的BERT Transformer模型，包含一个summed token、位置和序列嵌入层，然后是一系列相同的self-attention blocks（BERT-base是12个blocks, BERT-large是24个blocks）。

输入和输出与TensorFlow 模型的输入和输出相同。

具体来说，该模型的输入是：

input_ids：一个形状为[batch_size, sequence_length]的torch.LongTensor，在词汇表中包含单词的token索引

token_type_ids：形状[batch_size, sequence_length]的可选torch.LongTensor，在[0,1]中选择token类型索引。类型0对应于句子A，类型1对应于句子B。

attention_mask：一个可选的torch.LongTensor，形状为[batch_size, sequence_length]，索引在[0,1]中选择。

模型的输出是由以下内容组成的一个元组：

all_encoder_layers：一个大小为[batch_size, sequence_length，hidden_size]的torch.FloatTensor列表，它是每个注意块末端隐藏状态的完整序列列表（即BERT-base的12个完整序列，BERT-large的24个完整序列）

pooled_output：一个大小为[batch_size, hidden_size]的torch.FloatTensor，它是在与输入（CLF）的第一个字符相关联的隐藏状态之上预训练的分类器的输出，用于训练Next-Sentence任务（参见BERT的论文）。

extract_features.py脚本提供了有关如何使用这类模型的示例，该脚本可用于为给定输入提取模型的隐藏状态。

2 . BertForSequenceClassification

BertForSequenceClassification是一个fine-tuning 模型，包括BertModel，以及BertModel顶部的一个序列级分类器（sequence-level classifier）。

序列级分类器是一个线性层，它将输入序列中第一个字符的最后隐藏状态作为输入(参见BERT论文中的图3a和3b)。

run_classifier.py脚本提供了关于如何使用此类模型的示例，该脚本可用于使用BERT微调单个序列（或序列对）分类器，例如用于MRPC任务。

3. BertForQuestionAnswering

BertForQuestionAnswering是一个fine-tuning 模型，包括BertModel，它在最后隐藏状态的完整序列之上具有token级分类器（token-level classifiers）。

token-level 分类器将最后隐藏状态的完整序列作为输入，并为每个token计算得分，（参见BERT论文的图3c和3d）。

run_squad.py脚本提供了有关如何使用此类模型的示例，该脚本可用于使用BERT微调token分类器，例如用于SQuAD任务。

安装、要求、测试

这段代码在Python 3.5+上进行了测试。必备条件是:

PyTorch (> = 0.4.1)

tqdm

安装dependencies：

pip install -r ./requirements.txt

测试文件夹中包含一系列测试，可以使用pytest运行(如果需要，请安装pytest: pip install pytest)。

你可以使用以下命令运行测试:

python -m pytest -sv tests/大批量训练：梯度积累、多GPU、分布式训练

BERT-base和BERT-large的模型参数分别是110M和340M，为了获得良好的性能(大多数情况下批大小是32)，很难在单个GPU上对它们进行微调。

为了帮助对这些模型进行微调，我们介绍了在微调脚本run_classifier.py和run_squad中可以激活的四种技术：优化CPU、梯度积累、multi-gpu和分布式训练。

有关如何使用这些技术的更多细节，你可以阅读这篇关于PyTorch批量训练技巧的文章：

https://medium.com/huggingface/training-larger-batches-practical-tips-on-1-gpu-multi-gpu-distributed-setups-ec88c3e51255

BERT的微调：运行示例

我们展示了与原始实现相同的示例：在MRPC分类语料库上微调sequence级分类器和在问题回答数据集SQuAD上微调token级分类器。

在运行这些示例之前，应该先下载GLUE数据，并将其解压缩到某个目录$GLUE_DIR。还需下载BERT-Base checkpoint，将其解压缩到某个目录$BERT_BASE_DIR，并将其转换为上一节所述的PyTorch版本。

这个示例代码基于微软研究意译语料库(MRPC)调优了BERT-Base，在单个K-80上运行只需不到10分钟。

export GLUE_DIR=/path/to/glue python run_classifier.py --task_name MRPC --do_train --do_eval --do_lower_case --data_dir $GLUE_DIR/MRPC/ --vocab_file $BERT_BASE_DIR/vocab.txt --bert_config_file $BERT_BASE_DIR/bert_config.json --init_checkpoint $BERT_PYTORCH_DIR/pytorch_model.bin --max_seq_length 128 --train_batch_size 32 --learning_rate 2e-5 --num_train_epochs 3.0 --output_dir /tmp/mrpc_output/

基于原始实现的超参数进行测试，评估结果达到84％到88％。

第二个示例是基于SQuAD问题回答任务微调BERT-Base。

export SQUAD_DIR=/path/to/SQUAD python run_squad.py --vocab_file $BERT_BASE_DIR/vocab.txt --bert_config_file $BERT_BASE_DIR/bert_config.json --init_checkpoint $BERT_PYTORCH_DIR/pytorch_model.bin --do_train --do_predict --do_lower_case --train_file $SQUAD_DIR/train-v1.1.json --predict_file $SQUAD_DIR/dev-v1.1.json --train_batch_size 12 --learning_rate 3e-5 --num_train_epochs 2.0 --max_seq_length 384 --doc_stride 128 --output_dir ../debug_squad/

使用之前的超参数进行训练，得到如下结果：

{"f1": 88.52381567990474, "exact_match": 81.22043519394512}在GPU上微调BERT-large

上面列出的选项允许在GPU上很容易地对BERT-large进行微调，而不是像原始实现那样使用TPU。

例如，针对SQuAD任务微调BERT-large模型，可以在服务器上用4个k-80在18个小时内完成。我们的结果与TensorFlow的实现结果相似(实际上是略高):

{"exact_match": 84.56953642384106, "f1": 91.04028647786927}

为了得到这些结果，我们使用了以下组合：

多GPU训练（在多GPU服务器上自动激活），

梯度累积

在CPU上执行优化步骤，将Adam的平均值存储在RAM中。

以下是我们在此次运行中使用的超参数的完整列表：

python ./run_squad.py --vocab_file $BERT_LARGE_DIR/vocab.txt --bert_config_file $BERT_LARGE_DIR/bert_config.json --init_checkpoint $BERT_LARGE_DIR/pytorch_model.bin --do_lower_case --do_train --do_predict --train_file $SQUAD_TRAIN --predict_file $SQUAD_EVAL --learning_rate 3e-5 --num_train_epochs 2 --max_seq_length 384 --doc_stride 128 --output_dir $OUTPUT_DIR/bert_large_bsz_24 --train_batch_size 24 --gradient_accumulation_steps 2 --optimize_on_cpu