谷歌最強NLP模型BERT如約開源,12小時GitHub標星破1500,即將支援中文
夏乙 曉查 乾明 問耕 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
BERT終於來了!今天,谷歌研究團隊終於在GitHub上釋出了萬眾期待的BERT。
程式碼放出不到一天,就已經在GitHub上獲得1500多星。
專案地址:https://github.com/google-research/bert#fine-tuning-with-bert
就在半個月前,谷歌才釋出這個NLP預訓練模型的論文(https://arxiv.org/abs/1810.04805)。BERT一出現,就技驚四座碾壓了競爭對手,在11項NLP測試中重新整理了最高成績,甚至全面超越了人類的表現。
BERT的出現可以說是NLP領域最重大的事件,谷歌團隊的Thang Luong認為BERT標誌著NLP新時代的開始。
BERT是什麼?
BERT全稱Bidirectional Encoder Representations from Transformers,是預訓練語言表示的方法,可以在大型文字語料庫(如維基百科)上訓練通用的“語言理解”模型,然後將該模型用於下游NLP任務,比如機器翻譯、問答。
BERT是第一個無監督的用於預訓練NLP的深度雙向系統。無監督意味著BERT僅使用文字語料庫進行訓練,也就是說網路上有大量多種語言文字資料可供使用。
NLP預訓練的表示也可以是無語境的,也可以是語境關聯的,而且語境表示可以是單向的也可以是雙向的。
諸如word2vec或GloVe之類的無語境模型由詞彙表中的每個單詞生成單個“單詞嵌入”表示,因此像“bank”這樣的單詞會有“銀行”和“河岸”兩種表示。而語境模型則會根據句子中其他單詞來生成每個單詞的表示。
BERT建立在最近的預訓練語境表示工作的基礎上,包括半監督序列學習,生成預訓練,ELMo和ULMFit,但關鍵的是這些模型都是單向或淺雙向的。
這意味著每個單詞僅使用前面(或後面)的單詞進行語境化。例如,在“I made a bank deposit”的句子中,做出“bank”的單向表示可能僅僅基於前文“I made”,而不是後文“deposit”。
前人的一些工作確實結合了來自單獨的前文或者後文模型的表示,但這種方式很“淺”。
而BERT表示“bank”從深度神經網路的最底層開始,同時結合了上下文“I made a…deposit” ,因此雙向的聯絡很“深”。
BERT使用一種簡單的方法:遮蔽輸入中15%的單詞,通過深度雙向Transformer編碼器執行整個序列,然後預測被遮蔽的單詞。例如:
Input: the man went to the [MASK1] . he bought a [MASK2] of milk.
Labels: [MASK1] = store; [MASK2] = gallon
為了學習句子之間的關係,還訓練一個可以從任何單語語料庫生成的簡單任務:給出兩個句子A和B,讓機器判斷B是A的下一句,還是語料庫中的隨機句子?
Sentence A: the man went to the store .(句子A:男人走進商店)
Sentence B: he bought a gallon of milk .(句子B:他買了一加侖牛奶)
Label: IsNextSentence (是下一句)
Sentence A: the man went to the store .(句子A:男人走進商店)
Sentence B: penguins are flightless .(句子B:企鵝不會飛)
Label: NotNextSentence (不是下一句)
然後,Google在大型語料庫(維基百科和 BookCorpus)上訓練了一個大型模型(12層到24層Transformer),花費了很長時間(100萬升級步驟),這就是BERT。
使用BERT分為兩步:預訓練和微調。
預訓練的代價非常高昂(需要4到16個雲TPU訓練4天),但是每種語言都是訓練一次就夠了。谷歌大腦團隊釋出了一些預訓練的模型,目前僅限英語,但不久後也會發布多語言模型。大多數NLP研究人員根本不需要從頭開始訓練他們自己的模型。
與預訓練不同,微調則比較容易。從完全相同的預訓練模型開始,本文中的所有結果只需最多在單個雲TPU上執行1小時,或者在GPU上執行幾小時。例如,目前最先進的單系統SQuAD,在單個雲TPU上訓練大約30分鐘,就能獲得91.0%的Dev F1分數。
BERT的另一個重要特性是,它能適應許多型別的NLP任務。它的論文裡就展示了句子級別(如SST-2),句對級別(如MultiNLI),單詞級別(如NER)和小段級別(如SQuAD)的最新結果,幾乎沒有針對特定任務進行修改。
支援漢語嗎?
目前放出的預訓練模型是英語的,不過,谷歌大腦團隊打算11月底之前放出經更多語言預訓練的多語種模型。
更多語言究竟包括哪些?官方沒有給出準確資訊,不過BERT一作Jacob Devlin迴應排隊求中日韓德甚至馬其頓語版本的群眾們時說,他正在用維基百科規模最大的60種語言訓練模型,漢語、韓語、日語、德語、西班牙語等等都包含在其中。
就是這裡列出的1-60號語言:
https://meta.wikimedia.org/wiki/List_of_Wikipedias#All_Wikipedias_ordered_by_number_of_articles
另外,他們對中文做了一點比較特殊的處理,就是把CJK Unicode字符集裡的所有字元token化。
專案庫中釋出了哪些內容?
用於BERT模型架構的TensorFlow程式碼(主要是標準的Transformer架構)。
BERT-Base和BERT-Large模型小寫和Cased版本的預訓練檢查點。
論文裡微除錯驗的TensorFlow程式碼,比如SQuAD,MultiNLI和MRPC。
此專案庫中的所有程式碼都可以直接用在CPU,GPU和雲TPU上。
預訓練模型
這裡釋出的是論文中的BERT-Base和BERT-Large模型。
其中,Uncased的意思是,文字在經過WordPiece token化之前,全部會調整成小寫,比如“John Smith”會變成“john smith”。Uncased模型也會剔除任何的重音標記。Cased意味著,文字的真實情況和重音標記都會保留下來。
通常情況下,Uncased模型更好,除非文字的原始資訊會對你的任務來說非常重要。比如說,識別命名實體或對部分語音標記。
這些模型與原始碼(Apache 2.0)的授權相同。
在下面的模型介紹中,沿襲論文中的簡稱:層數(即 Transformer 塊)表示為L,將隱藏尺寸表示為H,將自注意力頭(self-attention heads)的數量表示為A。
複製下方連結到瀏覽器中即可下載
BERT-Base, Uncased:L=12,H=768,A=12,總引數=110M
https://storage.googleapis.com/bert_models/2018_10_18/uncased_L-12_H-768_A-12.zip
BERT-Large, Uncased:L=24, H=1024, A=16, 總引數=340M
https://storage.googleapis.com/bert_models/2018_10_18/uncased_L-24_H-1024_A-16.zip
BERT-Base, Cased:L=12,H=768,A=12,總引數=110M
https://storage.googleapis.com/bert_models/2018_10_18/cased_L-12_H-768_A-12.zip
BERT-Large, Cased:L=24, H=1024, A=16, 總引數=340M
https://storage.googleapis.com/bert_models/2018_10_18/cased_L-12_H-768_A-12.zip
每個.zip檔案,都包含3個東西:
一個 TensorFlow檢查點(bert_model.ckpt),一個vocab檔案(vocab.txt)和一個配置檔案(bert_config.json)。
如果你想對這些預訓練模型進行端到端的微調,參見這份具體操作:
https://github.com/google-research/bert/blob/master/README.md#fine-tuning-with-bert
使用 BERT 提取固定特徵向量(如 ELMo)
有時候,與對整個預訓練模型進行端到端的微調相比,直接獲得預訓練模型的語境嵌入會更好一些。
預訓練模型的語境嵌入,是由預訓練模型的隱藏層生成的每個token的固定語境表示。這應該能夠減輕大部分記憶體不足的問題。
比如,指令碼extract_features.py,可以這樣使用:
# Sentence A and Sentence B are separated by the ||| delimiter.
# For single sentence inputs, don't use the delimiter.
echo 'Who was Jim Henson ? ||| Jim Henson was a puppeteer' > /tmp/input.txt
python extract_features.py \
--input_file=/tmp/input.txt \
--output_file=/tmp/output.jsonl \
--vocab_file=$BERT_BASE_DIR/vocab.txt \
--bert_config_file=$BERT_BASE_DIR/bert_config.json \
--init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
--layers=-1,-2,-3,-4 \
--max_seq_length=128 \
--batch_size=8
這將建立一個 JSON 檔案(每行輸入一行),包含由layers指定的每個Transformer層的BERT 啟用(-1是Transformer的最後隱藏層,等等)
請注意,這個指令碼將產生非常大的輸出檔案,預設情況下,每個輸入token產生大約15kb輸出。
如果你預測訓練標籤,需要保持原始詞彙和token詞之間的一致性。具體請參閱下面的Token化部分。
Token化
對於句子層級的任務,token化非常簡單。按照run_classifier.py和extract_features.py中的程式碼執行就行了。句子層級任務的基本流程是:
例項化。tokenizer = tokenization.FullTokenizer
將原始文字token化。tokens = tokenizer.tokenize(raw_text).
截斷句子長度。(最大序列你最多可以使用512,但因為記憶體和速度的原因,短一點可能會更好)
在正確的位置新增[ CLS ]和[ SEP ]token。
[ CLS ]是分類輸出的特殊符號,[ SEP ]是分離非連續token序列的特殊符號。
單詞級別和跨度級別的任務(例如SQuAD 和 NER)更為複雜,因為你需要保證輸入文字和輸出文字之間對齊,以便你能夠對映訓練標籤。
SQuAD是一個非常複雜的例子,因為輸入的標籤是基於字元的,而且段落的長度也經常會超過預設的最大序列。檢視run_squad.py中的程式碼, 可以看到Google是如何處理這個問題的。
在介紹處理單詞級別任務的通用方法之前,瞭解分詞器(tokenizers)到底在做什麼非常重要。它主要有三個步驟:
文字標準化:將所有的空白字元轉換為空格,在Uncased模型中,要將所有字母小寫,並剔除重音標記。例如:John Johanson’s, → john johanson’s,
標點符號分離:把標點符號分為兩個部分,也就是說,在所有的標點符號字元周圍新增空格。標點符號的定義是: (a)任何具有 p * Unicode 類的東西,(b)任何非字母 / 數字 / 空格 ASCII 字元,例如 $這樣的字元,技術上不是標點符號。例如:john johanson’s, → john johanson ‘ s ,
WordPiece token化:將空白token化,應用到上述過程的輸出中,並對每個token分別應用WordPiece。(這個實現直接基於 tensor2tensor)。例如:john johanson ‘ s , → john johan ##son ‘ s ,
這個方案的優點在於,它與大多數英語分詞器相容。例如,假設你有一個類似這樣的標記部分語音任務:
Input: John Johanson ‘s house
Labels: NNP NNP POS NN
所有的token化輸出都是這樣的:
Tokens: john johan ##son ‘ s house
至關重要的是,這與輸入John Johanson’s house的輸出是一樣的,在’之前也沒有空格。
如果你有一個帶有單詞級別註釋的預token化表示,你可以獨立地對每個輸入單詞進行簡單的分析,並確保原始文字到token化文字之間是對齊的:
### Input
orig_tokens = ["John", "Johanson", "'s", "house"]
labels = ["NNP", "NNP", "POS", "NN"]
### Output
bert_tokens = []
# Token map will be an int -> int mapping between the `orig_tokens` index and
# the `bert_tokens` index.
orig_to_tok_map = []
tokenizer = tokenization.FullTokenizer(
vocab_file=vocab_file, do_lower_case=True)
bert_tokens.append("[CLS]")
for orig_token in orig_tokens:
orig_to_tok_map.append(len(bert_tokens))
bert_tokens.extend(tokenizer.tokenize(orig_token))
bert_tokens.append("[SEP]")
# bert_tokens == ["[CLS]", "john", "johan", "##son", "'", "s", "house", "[SEP]"]
# orig_to_tok_map == [1, 2, 4, 6]
現在,orig_to_tok_map能用來將labels對映到token化表示上。
有一些常見的英語訓練方案,會導致BERT的訓練方式之間出現輕微的不匹配。
例如,如果你輸入的是縮寫單詞而且又分離開了,比如do n’t,將會出現錯誤匹配。如果可能的話,你應該預先處理資料,將其轉換為原始的文字。如果不處理,這種錯誤匹配也不是什麼大問題。
預訓練BERT
如果你想自己預訓練BERT,可以看看這份資源中在任意文字語料庫上完成“masked LM”和“預測下一句”任務的程式碼。
注意:這不是論文中的原始程式碼,但是同樣能生成論文中所描述的預訓練資料。原始程式碼是C++寫成的,更復雜。
首先是資料生成環節:輸入每句一行的純文字檔案,用空行分隔檔案,會得到一組TFRecord檔案格式的tf.train.Example。
python create_pretraining_data.py \
--input_file=./sample_text.txt \
--output_file=/tmp/tf_examples.tfrecord \
--vocab_file=$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
這段指令碼能把整個輸入檔案中的所有樣例儲存到記憶體,所以,如果輸入檔案比較大,你要把它分割開,多次呼叫這個指令碼。
max_predictions_per_seq是每個序列能獲得masked LM預測的最大值,應該設定到和max_seq_length乘masked_lm_prob差不多。
資料生成之後就可以執行預訓練了。
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
注意,如果你要從頭開始預訓練的話,就去掉程式碼裡的init_checkpoint。模型的設定在bert_config_file裡。
這段程式碼只能預訓練20步左右,但實際使用中,你可能需要訓練10000步以上,在num_train_steps這裡設定數字就可以。
另外,max_seq_length和max_predictions_per_seq傳遞給run_pretraining.py的引數,必須和create_pretraining_data.py.一樣。
得到的輸出會是這樣的:
***** Eval results *****
global_step = 20
loss = 0.0979674
masked_lm_accuracy = 0.985479
masked_lm_loss = 0.0979328
next_sentence_accuracy = 1.0
next_sentence_loss = 3.45724e-05
這裡還有一些預訓練注意事項:
如果你的任務有大型特定域語料庫可用,比如電影評論、科研論文等等,則從BERT檢查點開始,對語料庫執行額外的預訓練步驟可能會有用。
論文中使用的學習率是1e-4。但是,如果你從現有BERT檢查點開始執行額外的預訓練步驟,則應使用較小的學習率(例如,2e-5)。
現在BERT模型只支援英語,但是Google打算在“不久的將來”釋出經過多種語言預訓練的多語種模型。這個不久,他們希望是11月底之前。
注意力是序列長度的平方,所以長序列非常昂貴(耗費計算力)。一批64個長度為512的序列,比一批256個長度為128的序列要昂貴的多,它們的全連線、卷積成本相同,但是512長度的序列注意力成本要高很多。
不過有時候確實需要長序列,比如要學習位置嵌入的時候,用長序列就學得非常快。這時候,可以先用短序列(比如長度128)訓練90000步,再用長序列(比如長度512)訓練10000步。注意,這需要用不同的max_seq_length值生成兩次資料。
如果從頭開始預訓練,請注意:成本很高,在GPU上成本尤其高。Google推薦先用單個可搶佔(preemptible)的雲TPU v2,預訓練BERT-Base。這需要兩週時間,500美元,還需要縮小批次大小。
預訓練資料:
論文用的預處理資料集……Sorry,Google說不公佈了。不過他們提供了一些讓你自己搞定資料集的途徑。
如果想用維基百科,從這裡下載:
https://dumps.wikimedia.org/enwiki/latest/enwiki-latest-pages-articles.xml.bz2
然後用WikiExtractor.py提取文字:
https://github.com/attardi/wikiextractor
然後進行必要的清理,轉換成純文字。
如果想用BookCorpus資料集,它已經不提供開放下載了,可以用比較小的Project Guttenberg資料集替代:
https://web.eecs.umich.edu/~lahiri/gutenberg_dataset.html
還有一個大型文字資源,叫Common Crawl,也可以清理一下提取出預訓練BERT要用的語料庫:
http://commoncrawl.org/
在Colab裡使用BERT
Google還提供了更貼心的使用方式:在他們的Colab(全稱Colaboratory)裡,開啟這個名叫“BERT FineTuning with Cloud TPUs”的筆記本,就可以開工了:
https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/bert_finetuning_with_cloud_tpus.ipynb
如果你想免費薅一把谷歌雲TPU資源,現在Colab是個不錯的途徑。
FAQ
問:這次放出的程式碼適用於雲TPU麼?GPU能用麼?
答:沒問題。這個倉庫中的所有程式碼都能在CPU、GPU和雲TPU上跑。但是,GPU訓練僅適用於單GPU。
問:提示記憶體不足,這是什麼問題?
答:可以參考相關條目解決。官方地址 https://github.com/google-research/bert#out-of-memory-issues
問:會有PyTorch版本釋出麼?
答:沒有官網的PyTorch實現。如果有人搞出一個逐行的PyTorch實現,能夠直接轉換我們預先訓練好的檢查點,我們很樂意幫忙推廣。
問:模型是否會支援更多語言?
答:會,我們計劃很快釋出多語言的BERT模型,會是一個單一模型。現在還無法確定將包括哪些語言,不過在維基百科上語料規模比較大的語言應該都有。
問:還會有比BERT-Large更大的模型麼?
答:截至目前,我們還沒嘗試過更大的訓練。如果我們能夠取得重大的改進,可能會發布更大的模型。
問:這個庫使用什麼許可證?
答:所有程式碼和模型都在Apache 2.0許可證之下。
— 完 —
加入社群
量子位AI社群開始招募啦,歡迎對AI感興趣的同學,在量子位公眾號(QbitAI)對話介面回覆關鍵字“交流群”,獲取入群方式;
此外,量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募,面向正在從事相關領域的工程師及研究人員。
進專業群請在量子位公眾號(QbitAI)對話介面回覆關鍵字“專業群”,獲取入群方式。(專業群稽核較嚴,敬請諒解)
活動策劃招聘
量子位正在招聘活動策劃,將負責不同領域維度的線上線下相關活動策劃、執行。歡迎聰明靠譜的小夥伴加入,並希望你能有一些活動策劃或運營的相關經驗。相關細節,請在量子位公眾號(QbitAI)對話介面,回覆“招聘”兩個字。
量子位 QbitAI · 頭條號簽約作者
վ'ᴗ' ի 追蹤AI技術和產品新動態