谷歌最強NLP模型BERT官方代碼來了！GitHub一天3000星

新聞 11-03

新智元報道

來源：GitHub

作者：Google Research 編輯：肖琴

【新智元導讀】谷歌AI團隊終於開源了最強NLP模型BERT的代碼和預訓練模型。從論文發布以來，BERT在NLP業內引起巨大反響，被認為開啟了NLP的新時代。

BERT的官方代碼終於來了！

昨天，谷歌在GitHub上發布了備受關注的「最強NLP模型」BERT的TensorFlow代碼和預訓練模型，不到一天時間，已經獲得3000多星！

地址：

https://github.com/google-research/bert

BERT，全稱是BidirectionalEncoderRepresentations fromTransformers，是一種預訓練語言表示的新方法。

新智元近期對BERT模型作了詳細的報道和專家解讀：

BERT有多強大呢？它在機器閱讀理解頂級水平測試SQuAD1.1中表現出驚人的成績：全部兩個衡量指標上全面超越人類！並且還在11種不同NLP測試中創出最佳成績，包括將GLUE基準推至80.4％（絕對改進7.6％），MultiNLI準確度達到86.7% （絕對改進率5.6％）等。

以下是BERT模型在SQuAD v1.1問題回答任務的結果：

在幾個自然語言推理任務的結果：

以及更多其他任務。

而且，這些結果都是在幾乎沒有task-specific的神經網路架構設計的情況下獲得的。

如果你已經知道BERT是什麼，只想馬上開始使用，可以下載預訓練過的模型，幾分鐘就可以很好地完成調優。

預訓練模型下載：

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

BERT是什麼？

BERT是一種預訓練語言表示（language representations）的方法，意思是我們在一個大型文本語料庫（比如維基百科）上訓練一個通用的「語言理解」模型，然後將這個模型用於我們關心的下游NLP任務（比如問題回答）。BERT優於以前的方法，因為它是第一個用於預訓練NLP的無監督、深度雙向的系統（unsupervised, deeply bidirectional system）。

無監督意味著BERT只使用純文本語料庫進行訓練，這很重要，因為網路上有大量的公開的純文本數據，而且是多語言的。

預訓練的表示可以是上下文無關（context-free）的，也可以是上下文相關（contextual）的，並且上下文相關表示還可以是單向的或雙向的。上下文無關的模型，比如word2vec或GloVe，會為辭彙表中的每個單詞生成單個「word embedding」表示，因此bank在bank deposit（銀行存款）和river bank（河岸）中具有相同的表示。上下文模型則會根據句子中的其他單詞生成每個單詞的表示。

BERT建立在最近的預訓練contextual representations的基礎上——包括半監督序列學習、生成性預訓練、ELMo和ULMFit——但這些模型都是單向的或淺雙向的。這意味著每個單詞只能使用其左邊(或右邊)的單詞來預測上下文。例如，在I made a bank deposit這個句子中， bank的單向表示僅僅基於I made a，而不是deposit。以前的一些工作結合了來自單獨的left-context和right-context 模型的表示，但只是一種「淺層」的方式。BERT同時使用左側和右側上下文來表示「bank」——I made a ... deposit——從深神經網路的最底層開始，所以它是深度雙向的。

BERT使用一種簡單的方法：將輸入中15%的單詞屏蔽（mask）起來，通過一個深度雙向Transformer編碼器運行整個序列，然後僅預測被屏蔽的單詞。例如:

為了學習句子之間的關係，我們還訓練了一個可以從任何單語語料庫生成的簡單任務：給定兩個句子A和B, 讓模型判斷B是A的下一個句子，還是語料庫中的一個隨機句子?

然後，我們在大型語料庫(Wikipedia + BookCorpus)上訓練了一個大型模型（12-layer 到 24-layer的Transformer），花了很長時間（100萬次更新步驟），這就是BERT。

使用BERT的兩個階段：預訓練和微調

使用BERT分為兩個階段：預訓練（Pre-training）和微調（Fine-tuning）。

預訓練（Pre-training）的成本是相當昂貴的（需要4到16個Cloud TPU訓練4天），但是對於每種語言來說都只需訓練一次（目前的模型僅限英語的，我們打算很快發布多語言模型）。大多數NLP研究人員根本不需要從頭開始訓練自己的模型。

微調（Fine-tuning）的成本不高。從完全相同的預訓練模型開始，論文中的所有結果在單個Cloud TPU上最多1小時就能複製，或者在GPU上幾小時就能複製。例如，對於SQUAD任務，在單個Cloud TPU上訓練大約30分鐘，就能獲得91.0％的Dev F1分數，這是目前單系統最先進的。

BERT的另一個重要方面是，它可以很容易地適應許多類型的NLP任務。在論文中，我們展示了句子級（例如SST-2）、句子對級別（例如MultiNLI）、單詞級別（例如NER）以及段落級別（例如SQuAD）等任務上最先進的結果，並且，幾乎沒有針對特定任務進行修改。

GitHub庫中包含哪些內容？

BERT模型架構的TensorFlow代碼（主體是一個標準Transformer架構）。

BERT-Base和BERT-Large的lowercase和cased版本的預訓練檢查點。

用於複製論文中最重要的微調實驗的TensorFlow代碼，包括SQuAD，MultiNLI和MRPC。

這個項目庫中所有代碼都可以在CPU、GPU和Cloud TPU上使用。

預訓練模型

我們發布了論文中的BERT-Base和BERT-Large模型。

Uncased表示在WordPiece tokenization之前文本已經變成小寫了，例如，John Smith becomes john smith。Uncased模型也去掉了所有重音標誌。

Cased表示保留了真實的大小寫和重音標記。通常，除非你已經知道大小寫信息對你的任務來說很重要（例如，命名實體識別或詞性標記），否則Uncased模型會更好。

這些模型都在與源代碼相同的許可(Apache 2.0)下發布。

請在GitHub的鏈接里下載模型：

BERT-Base, Uncased: 12-layer, 768-hidden, 12-heads, 110M parameters

BERT-Large, Uncased: 24-layer, 1024-hidden, 16-heads, 340M parameters

BERT-Base, Cased: 12-layer, 768-hidden, 12-heads , 110M parameters

BERT-Large, Cased: 24-layer, 1024-hidden, 16-heads, 340M parameters (暫時未發布).

每個.zip文件包含三個項目:

一個包含預訓練權重的TensorFlow checkpoint (bert_model.ckpt)，(實際上是3個文件)。

一個vocab文件(vocab.txt)，用於將WordPiece映射到word id。

一個配置文件(bert_config.json)，用於指定模型的超參數。

BERT的Fine-tuning

重要提示：論文里的所有結果都在單個Cloud TPU上進行了微調，Cloud TPU具有64GB的RAM。目前無法使用具有12GB-16GB RAM的GPU復現論文里BERT-Large的大多數結果，因為內存可以適用的最大 batch size太小。我們正在努力添加代碼，以允許在GPU上實現更大的有效batch size。有關更多詳細信息，請參閱out-of memory issues的部分。

使用BERT-Base的fine-tuning示例應該能夠使用給定的超參數在具有至少12GB RAM的GPU上運行。

BERT預訓練

我們發布了在任意文本語料庫上做「masked LM」和「下一句預測」的代碼。請注意，這不是論文的確切代碼（原始代碼是用C ++編寫的，並且有一些額外的複雜性），但是此代碼確實生成了論文中描述的預訓練數據。

以下是運行數據生成的方法。輸入是純文本文件，每行一個句子。（在「下一句預測」任務中，這些需要是實際的句子）。文件用空行分隔。輸出是一組序列化為TFRecord文件格式的tf.train.Examples。

你可以使用現成的NLP工具包（如spaCy）來執行句子分割。create_pretraining_data.py腳本將連接 segments，直到達到最大序列長度，以最大限度地減少填充造成的計算浪費。但是，你可能需要在輸入數據中有意添加少量雜訊（例如，隨機截斷2％的輸入segments），以使其在微調期間對非句子輸入更加魯棒。

此腳本將整個輸入文件的所有示例存儲在內存中，因此對於大型數據文件，你應該對輸入文件進行切分，並多次調用腳本。（可以將文件glob傳遞給run_pretraining.py，例如，tf_examples.tf_record *。）

max_predictions_per_seq是每個序列的masked LM預測的最大數量。你應該將其設置為max_seq_length * masked_lm_prob（腳本不會自動執行此操作，因為需要將確切的值傳遞給兩個腳本）。

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

以下是如何進行預訓練。

如果你從頭開始進行預訓練，請不要包含init_checkpoint。模型配置（包括辭彙大小）在bert_config_file中指定。此演示代碼僅預訓練少量steps（20），但實際上你可能希望將num_train_steps設置為10000步或更多。傳遞給run_pretraining.py的max_seq_lengthand max_predictions_per_seq參數必須與create_pretraining_data.py相同。

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

這將產生如下輸出：

FAQ

問：這次公開的代碼是否與Cloud TPU兼容？GPU呢？

答：是的，這個存儲庫中的所有代碼都可以與CPU，GPU和Cloud TPU兼容。但是，GPU訓練僅適用於單GPU。

問：提示內存不足，這是什麼問題？

答：請參閱out-of-memory issues這部分的內容。

問：有PyTorch版本嗎？

答：目前還沒有正式的PyTorch實現。如果有人創建了一個逐行PyTorch實現，可以讓我們的預訓練checkpoints直接轉換，那麼我們很樂意在這裡鏈接到PyTorch版本。

問：是否會發布其他語言的模型？

答：是的，我們計劃很快發布多語言BERT模型。我們不能保證將包含哪些語言，但它很可能是一個單一的模型，其中包括大多數維基百科上預料規模較大的語言。

問：是否會發布比BERT-Large更大的模型？

答：到目前為止，我們還沒有嘗試過比BERT-Large更大的訓練。如果我們能夠獲得重大改進，可能會發布更大的模型。