干货 | BERT fine-tune 终极实践教程

从 11 月初开始，google-research 就陆续开源了 BERT 的各个版本。google 此次开源的 BERT 是通过 tensorflow 高级 API—— tf.estimator 进行封装 (wrapper) 的。因此对于不同数据集的适配，只需要修改代码中的 processor 部分，就能进行代码的训练、交叉验证和测试。

在自己的数据集上运行 BERT

BERT 的代码同论文里描述的一致，主要分为两个部分。一个是训练语言模型（language model）的预训练（pretrain）部分。另一个是训练具体任务 (task) 的 fine-tune 部分。在开源的代码中，预训练的入口是在 run_pretraining.py 而 fine-tune 的入口针对不同的任务分别在 run_classifier.py 和 run_squad.py。其中 run_classifier.py 适用的任务为分类任务。如 CoLA、MRPC、MultiNLI 这些数据集。而 run_squad.py 适用的是阅读理解 (MRC) 任务，如 squad2.0 和 squad1.1。

预训练是 BERT 很重要的一个部分，与此同时，预训练需要巨大的运算资源。按照论文里描述的参数，其 Base 的设定在消费级的显卡 Titan x 或 Titan 1080ti(12GB RAM) 上，甚至需要近几个月的时间进行预训练，同时还会面临显存不足的问题。不过所幸的是谷歌满足了 Issues#2 里各国开发者的请求，针对大部分语言都公布了 BERT 的预训练模型。因此在我们可以比较方便地在自己的数据集上进行 fine-tune。

下载预训练模型

对于中文而言，google 公布了一个参数较小的 BERT 预训练模型。具体参数数值如下所示：

Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters

模型的下载链接可以在 github 上 google 的开源代码里找到。对下载的压缩文件进行解压，可以看到文件里有五个文件，其中 bert_model.ckpt 开头的文件是负责模型变量载入的，而 vocab.txt 是训练时中文文本采用的字典，最后 bert_config.json 是 BERT 在训练时，可选调整的一些参数。

修改 processor

任何模型的训练、预测都是需要有一个明确的输入，而 BERT 代码中 processor 就是负责对模型的输入进行处理。我们以分类任务的为例，介绍如何修改 processor 来运行自己数据集上的 fine-tune。在 run_classsifier.py 文件中我们可以看到，google 对于一些公开数据集已经写了一些 processor，如 XnliProcessor,MnliProcessor,MrpcProcessor 和 ColaProcessor。这给我们提供了一个很好的示例，指导我们如何针对自己的数据集来写 processor。

对于一个需要执行训练、交叉验证和测试完整过程的模型而言，自定义的 processor 里需要继承 DataProcessor，并重载获取 label 的 get_labels 和获取单个输入的 get_train_examples,get_dev_examples 和 get_test_examples 函数。其分别会在 main 函数的 FLAGS.do_train、FLAGS.do_eval 和 FLAGS.do_predict 阶段被调用。

这三个函数的内容是相差无几的，区别只在于需要指定各自读入文件的地址。

以 get_train_examples 为例，函数需要返回一个由 InputExample 类组成的 list。InputExample 类是一个很简单的类，只有初始化函数，需要传入的参数中 guid 是用来区分每个 example 的，可以按照 train-%d’%(i) 的方式进行定义。text_a 是一串字符串，text_b 则是另一串字符串。在进行后续输入处理后 (BERT 代码中已包含，不需要自己完成) text_a 和 text_b 将组合成 [CLS] text_a [SEP] text_b [SEP] 的形式传入模型。最后一个参数 label 也是字符串的形式，label 的内容需要保证出现在 get_labels 函数返回的 list 里。

举一个例子，假设我们想要处理一个能够判断句子相似度的模型，现在在 data_dir 的路径下有一个名为 train.csv 的输入文件，如果我们现在输入文件的格式如下 csv 形式：

 复制代码

1, 你好, 您好
0, 你好, 你家住哪

那么我们可以写一个如下的 get_train_examples 的函数。当然对于 csv 的处理，可以使用诸如 csv.reader 的形式进行读入。

 复制代码

def get_train_examples(self, data_dir):
file_path = os.path.join(data_dir,'train.csv')
withopen(file_path,'r')asf:
reader =f.readlines()
examples = []
forindex,linein enumerate(reader):
guid ='train-%d'%index
split_line =line.strip().split(',')
text_a = tokenization.convert_to_unicode(split_line[1])
text_b = tokenization.convert_to_unicode(split_line[2])
label = split_line[0]
examples.append(InputExample(guid=guid, text_a=text_a,
text_b=text_b, label=label))
returnexamples

同时对应判断句子相似度这个二分类任务，get_labels 函数可以写成如下的形式：

 复制代码

defget_labels(self):
return['0','1']

在对 get_dev_examples 和 get_test_examples 函数做类似 get_train_examples 的操作后，便完成了对 processor 的修改。其中 get_test_examples 可以传入一个随意的 label 数值，因为在模型的预测（prediction）中 label 将不会参与计算。

修改 processor 字典

修改完成 processor 后，需要在在原本 main 函数的 processor 字典里，加入修改后的 processor 类，即可在运行参数里指定调用该 processor。

 复制代码

processors= {
"cola": ColaProcessor,
"mnli": MnliProcessor,
"mrpc": MrpcProcessor,
"xnli": XnliProcessor,
"selfsim": SelfProcessor# 添加自己的 processor
}

运行 fine-tune

之后就可以直接运行 run_classsifier.py 进行模型的训练。在运行时需要制定一些参数，一个较为完整的运行参数如下所示：

 复制代码

exportBERT_BASE_DIR=/path/to/bert/chinese_L-12_H-768_A-12 # 全局变量 下载的预训练 bert 地址
exportMY_DATASET=/path/to/xnli # 全局变量 数据集所在地址

python run_classifier.py \
--task_name=selfsim \ # 自己添加 processor 在 processors 字典里的 key 名
--do_train=true\
--do_eval=true\
--dopredict=true\
--data_dir=$MY_DATASET\
--vocab_file=$BERT_BASE_DIR/vocab.txt \
--bert_config_file=$BERT_BASE_DIR/bert_config.json \
--init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
--max_seq_length=128 \ # 模型参数
--train_batch_size=32 \
--learning_rate=5e-5 \
--num_train_epochs=2.0 \
--output_dir=/tmp/selfsim_output/ # 模型输出路径

BERT 源代码里还有什么

在开始训练我们自己 fine-tune 的 BERT 后，我们可以再来看看 BERT 代码里除了 processor 之外的一些部分。

我们可以发现，process 在得到字符串形式的输入后，在 file_based_convert_examples_to_features 里先是对字符串长度，加入 [CLS] 和 [SEP] 等一些处理后，将其写入成 TFrecord 的形式。这是为了能在 estimator 里有一个更为高效和简易的读入。

我们还可以发现，在 create_model 的函数里，除了从 modeling.py 获取模型主干输出之外，还有进行 fine-tune 时候的 loss 计算。因此，如果对于 fine-tune 的结构有自定义的要求，可以在这部分对代码进行修改。如进行 NER 任务的时候，可以按照 BERT 论文里的方式，不只读第一位的 logits，而是将每一位 logits 进行读取。

BERT 这次开源的代码，由于是考虑在 google 自己的 TPU 上高效地运行，因此采用的 estimator 是 tf.contrib.tpu.TPUEstimator, 虽然 TPU 的 estimator 同样可以在 gpu 和 cpu 上运行，但若想在 gpu 上更高效地做一些提升，可以考虑将其换成 tf.estimator.Estimator, 于此同时 model_fn 里一些 tf.contrib.tpu.TPUEstimatorSpec 也需要修改成 tf.estimator.EstimatorSpec 的形式，以及相关调用参数也需要做一些调整。在转换成较普通的 estimator 后便可以使用常用的方式对 estimator 进行处理，如生成用于部署的.pb 文件等。

GitHub Issues 里一些有趣的内容

从 google 对 BERT 进行开源开始，Issues 里的讨论便异常活跃，BERT 论文第一作者 Jacob Devlin 也积极地在 Issues 里进行回应，在交流讨论中，产生了一些很有趣的内容。

在 GitHub Issues#95 中大家讨论了 BERT 模型在今年 AI-Challenger 比赛上的应用。我们也同样尝试了 BERT 在 AI-Challenger 的机器阅读理解（mrc）赛道的表现。如果简单得地将 mrc 的文本连接成一个长字符串的形式，可以在 dev 集上得到 79.1% 的准确率。

如果参考 openAI 的 GPT 论文里 multi-choice 的形式对 BERT 的输入输出代码进行修改则可以将准确率提高到 79.3%。采用的参数都是 BERT 默认的参数，而单一模型成绩在赛道的 test a 排名中已经能超过榜单上的第一名。因此，在相关中文的任务中，bert 能有很大的想象空间。

在 GitHub Issues#123 中，@hanxiao 给出了一个采用 ZeroMQ 便捷部署 BERT 的 service，可以直接调用训练好的模型作为应用的接口。同时他将 BERT 改为一个大的 encode 模型，将文本通过 BERT 进行 encode，来实现句子级的 encode。此外，他对比了多 GPU 上的性能，发现 bert 在多 GPU 并行上的出色表现。

总结

总的来说，google 此次开源的 BERT 和其预训练模型是非常有价值的，可探索和改进的内容也很多。相关数据集上已经出现了对 BERT 进行修改后的复合模型，如 squad2.0 上哈工大 (HIT) 的 AoA + DA + BERT 以及西湖大学（DAMO）的 SLQA + BERT。 在感谢 google 这份付出的同时，我们也可以借此站在巨人的肩膀上，尝试将其运用在自然语言处理领域的方方面面，让人工智能的梦想更近一步。