BERT模型从训练到部署全流程
Tag: BERT 训练 部署
缘起
在群里看到许多朋友在使用BERT模型,网上多数文章只提到了模型的训练方法,后面的生产部署及调用并没有说明。 这段时间使用BERT模型完成了从数据准备到生产部署的全流程,在这里整理出来,方便大家参考。
在下面我将以一个“手机评论的情感分类”为例子,简要说明从训练到部署的全部流程。最终完成后可以使用一个网页进行交互,实时地对输入的评论语句进行分类判断。
基本架构
基本架构为:
graph LR
A(BERT模型服务端) --> B(API服务端)
B-->A
B --> C(应用端)
C-->B
+-------------------+
| 应用端(HTML) |
+-------------------+
^^
||
VV
+-------------------+
| API服务端 |
+-------------------+
^^
||
VV
+-------------------+
| BERT模型服务端 |
+-------------------+
架构说明: BERT模型服务端 加载模型,进行实时预测的服务; 使用的是 BERT-BiLSTM-CRF-NER
API服务端 调用实时预测服务,为应用提供API接口的服务,用flask编写;
应用端 最终的应用端; 我这里使用一个HTML网页来实现;
本项目完整源码地址:BERT从训练到部署git源码 项目博客地址: BERT从训练到部署
附件: 本例中训练完成的模型文件.ckpt格式及.pb格式文件,由于比较大,已放到网盘提供下载:
链接:https://pan.baidu.com/s/1DgVjRK7zicbTlAAkFp7nWw
提取码:8iaw
如果你想跳过前面模型的训练过程,可以直接使用训练好的模型,来完成后面的部署。
关键节点
主要包括以下关键节点:
- 数据准备
- 模型训练
- 模型格式转化
- 服务端部署与启动
- API服务编写与部署
- 客户端(网页端的编写与部署)
数据准备
这里用的数据是手机的评论,数据比较简单,三个分类: -1,0,1 表示负面,中性与正面情感 数据格式如下:
1 手机很好,漂亮时尚,赠品一般
1 手机很好。包装也很完美,赠品也是收到货后马上就发货了
1 第一次在第三方买的手机 开始很担心 不过查一下是正品 很满意
1 很不错 续航好 系统流畅
1 不知道真假,相信店家吧
1 快递挺快的,荣耀10手感还是不错的,玩了会王者还不错,就是前后玻璃,
1 流很快,手机到手感觉很酷,白色适合女士,很惊艳!常好,运行速度快,流畅!
1 用了一天才来评价,都还可以,很满意
1 幻影蓝很好看啊,炫彩系列时尚时尚最时尚,速度快,配送运行?做活动优惠买的,开心?
1 快递速度快,很赞!软件更新到最新版。安装上软胶保护套拿手上不容易滑落。
0 手机出厂贴膜好薄啊,感觉像塑料膜。其他不能发表
0 用了一段时间,除了手机续航其它还不错。
0 做工一般
1 挺好的,赞一个,手机很好,很喜欢
0 手机还行,但是手机刚开箱时屏幕和背面有很多指纹痕迹,手机壳跟**在地上磨过似的,好几条印子。要不是看在能把这些痕迹擦掉,和闲退货麻烦,就给退了。就不能规规矩矩做生意么。还有送的都是什么吊东西,运动手环垃圾一比,贴在手机后面的固定手环还**是塑料的渡了一层银色,耳机也和图片描述不符,碎屏险已经注册,不知道怎么样。讲真的,要不就别送或者少送,要不,就规规矩矩的,不然到最后还让人觉得不舒服。其他没什么。
-1 手机整体还可以,拍照也很清楚,也很流畅支持华为。给一星是因为有缺陷,送的耳机是坏的!评论区好评太多,需要一些差评来提醒下,以后更加注意细节,提升质量。
0 前天刚买的, 看着还行, 指纹解锁反应不错。
1 高端大气上档次。
-1 各位小主,注意啦,耳机是没有的,需要单独买
0 外观不错,感觉很耗电啊,在使用段时间评价
1 手机非常好,很好用
-1 没有发票,图片与实物不一致
1 习惯在京东采购物品,方便快捷,及时开票进行报销,配送员服务也很周到!就是手机收到时没有电,感觉不大正常
1 高端大气上档次啊!看电影玩游戏估计很爽!屏幕够大!
数据总共8097条,按6:2:2的比例拆分成train.tsv,test.tsv ,dev.tsv三个数据文件
模型训练
训练模型就直接使用BERT的分类方法,把原来的run_classifier.py
复制出来并修改为 run_mobile.py
。关于训练的代码网上很多,就不展开说明了,主要有以下方法:
#-----------------------------------------
#手机评论情感分类数据处理 2019/3/12
#labels: -1负面 0中性 1正面
class SetimentProcessor(DataProcessor):
def get_train_examples(self, data_dir):
"""See base class."""
return self._create_examples(
self._read_tsv(os.path.join(data_dir, "train.tsv")), "train")
def get_dev_examples(self, data_dir):
"""See base class."""
return self._create_examples(
self._read_tsv(os.path.join(data_dir, "dev.tsv")), "dev")
def get_test_examples(self, data_dir):
"""See base class."""
return self._create_examples(
self._read_tsv(os.path.join(data_dir, "test.tsv")), "test")
def get_labels(self):
"""See base class."""
"""
if not os.path.exists(os.path.join(FLAGS.output_dir, 'label_list.pkl')):
with codecs.open(os.path.join(FLAGS.output_dir, 'label_list.pkl'), 'wb') as fd:
pickle.dump(self.labels, fd)
"""
return ["-1", "0", "1"]
def _create_examples(self, lines, set_type):
"""Creates examples for the training and dev sets."""
examples = []
for (i, line) in enumerate(lines):
if i == 0:
continue
guid = "%s-%s" % (set_type, i)
#debug (by xmxoxo)
#print("read line: No.%d" % i)
text_a = tokenization.convert_to_unicode(line[1])
if set_type == "test":
label = "0"
else:
label = tokenization.convert_to_unicode(line[0])
examples.append(
InputExample(guid=guid, text_a=text_a, label=label))
return examples
#-----------------------------------------
然后添加一个方法:
processors = {
"cola": ColaProcessor,
"mnli": MnliProcessor,
"mrpc": MrpcProcessor,
"xnli": XnliProcessor,
"setiment": SetimentProcessor, #2019/3/27 add by Echo
}
特别说明,这里有一点要注意,在后期部署的时候,需要一个label2id的字典,所以要在训练的时候就保存起来,在convert_single_example
这个方法里增加一段:
#--- save label2id.pkl ---
#在这里输出label2id.pkl , add by xmxoxo 2019/2/27
output_label2id_file = os.path.join(FLAGS.output_dir, "label2id.pkl")
if not os.path.exists(output_label2id_file):
with open(output_label2id_file,'wb') as w:
pickle.dump(label_map,w)
#--- Add end ---
这样训练后就会生成这个文件了。
使用以下命令训练模型,目录参数请根据各自的情况修改:
cd /mnt/sda1/transdat/bert-demo/bert/
export BERT_BASE_DIR=/mnt/sda1/transdat/bert-demo/bert/chinese_L-12_H-768_A-12
export GLUE_DIR=/mnt/sda1/transdat/bert-demo/bert/data
export TRAINED_CLASSIFIER=/mnt/sda1/transdat/bert-demo/bert/output
export EXP_NAME=mobile_0
sudo python run_mobile.py \
--task_name=setiment \
--do_train=true \
--do_eval=true \
--data_dir=$GLUE_DIR/$EXP_NAME \
--vocab_file=$BERT_BASE_DIR/vocab.txt \
--bert_config_file=$BERT_BASE_DIR/bert_config.json \
--init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \
--max_seq_length=128 \
--train_batch_size=32 \
--learning_rate=2e-5 \
--num_train_epochs=5.0 \
--output_dir=$TRAINED_CLASSIFIER/$EXP_NAME
由于数据比较小,训练是比较快的,训练完成后,可以在输出目录得到模型文件,这里的模型文件格式是.ckpt的。 训练结果:
eval_accuracy = 0.861643
eval_f1 = 0.9536328
eval_loss = 0.56324786
eval_precision = 0.9491279
eval_recall = 0.9581805
global_step = 759
loss = 0.5615213
可以使用以下语句来进行预测:
sudo python run_mobile.py \
--task_name=setiment \
--do_predict=true \
--data_dir=$GLUE_DIR/$EXP_NAME \
--vocab_file=$BERT_BASE_DIR/vocab.txt \
--bert_config_file=$BERT_BASE_DIR/bert_config.json \
--init_checkpoint=$TRAINED_CLASSIFIER/$EXP_NAME \
--max_seq_length=128 \
--output_dir=$TRAINED_CLASSIFIER/$EXP_NAME
模型格式转化
到这里我们已经训练得到了模型,但这个模型是.ckpt的文件格式,文件比较大,并且有三个文件:
-rw-r--r-- 1 root root 1227239468 Apr 15 17:46 model.ckpt-759.data-00000-of-00001
-rw-r--r-- 1 root root 22717 Apr 15 17:46 model.ckpt-759.index
-rw-r--r-- 1 root root 3948381 Apr 15 17:46 model.ckpt-759.meta
可以看到,模板文件非常大,大约有1.17G。
后面使用的模型服务端,使用的是.pb格式的模型文件,所以需要把生成的ckpt格式模型文件转换成.pb格式的模型文件。
我这里提供了一个转换工具:freeze_graph.py
,使用如下:
usage: freeze_graph.py [-h] -bert_model_dir BERT_MODEL_DIR -model_dir
MODEL_DIR [-model_pb_dir MODEL_PB_DIR]
[-max_seq_len MAX_SEQ_LEN] [-num_labels NUM_LABELS]
[-verbose]
这里要注意的参数是:
model_dir
就是训练好的.ckpt文件所在的目录max_seq_len
要与原来一致;num_labels
是分类标签的个数,本例中是3个
python freeze_graph.py \
-bert_model_dir $BERT_BASE_DIR \
-model_dir $TRAINED_CLASSIFIER/$EXP_NAME \
-max_seq_len 128 \
-num_labels 3
执行成功后可以看到在model_dir
目录会生成一个classification_model.pb
文件。
转为.pb格式的模型文件,同时也可以缩小模型文件的大小,可以看到转化后的模型文件大约是390M。
-rw-rw-r-- 1 hexi hexi 409326375 Apr 15 17:58 classification_model.pb
服务端部署与启动
现在可以安装服务端了,使用的是 bert-base, 来自于项目BERT-BiLSTM-CRF-NER
, 服务端只是该项目中的一个部分。
项目地址:https://github.com/macanv/BERT-BiLSTM-CRF-NER ,感谢Macanv同学提供这么好的项目。
这里要说明一下,我们经常会看到bert-as-service 这个项目的介绍,它只能加载BERT的预训练模型,输出文本向量化的结果。 而如果要加载fine-turing后的模型,就要用到 bert-base 了,详请请见: 基于BERT预训练的中文命名实体识别TensorFlow实现
下载代码并安装 :
pip install bert-base==0.0.7 -i https://pypi.python.org/simple
或者
git clone https://github.com/macanv/BERT-BiLSTM-CRF-NER
cd BERT-BiLSTM-CRF-NER/
python3 setup.py install
使用 bert-base 有三种运行模式,分别支持三种模型,使用参数-mode
来指定:
- NER 序列标注类型,比如命名实体识别;
- CLASS 分类模型,就是本文中使用的模型
- BERT 这个就是跟bert-as-service 一样的模式了
之所以要分成不同的运行模式,是因为不同模型对输入内容的预处理是不同的,命名实体识别NER是要进行序列标注; 而分类模型只要返回label就可以了。
安装完后运行服务,同时指定监听 HTTP 8091端口,并使用GPU 1来跑;
cd /mnt/sda1/transdat/bert-demo/bert/bert_svr
export BERT_BASE_DIR=/mnt/sda1/transdat/bert-demo/bert/chinese_L-12_H-768_A-12
export TRAINED_CLASSIFIER=/mnt/sda1/transdat/bert-demo/bert/output
export EXP_NAME=mobile_0
bert-base-serving-start \
-model_dir $TRAINED_CLASSIFIER/$EXP_NAME \
-bert_model_dir $BERT_BASE_DIR \
-model_pb_dir $TRAINED_CLASSIFIER/$EXP_NAME \
-mode CLASS \
-max_seq_len 128 \
-http_port 8091 \
-port 5575 \
-port_out 5576 \
-device_map 1
注意:port 和 port_out 这两个参数是API调用的端口号, 默认是5555和5556,如果你准备部署多个模型服务实例,那一定要指定自己的端口号,避免冲突。 我这里是改为: 5575 和 5576
如果报错没运行起来,可能是有些模块没装上,都是 bert_base/server/http.py里引用的,装上就好了:
sudo pip install flask
sudo pip install flask_compress
sudo pip install flask_cors
sudo pip install flask_json
我这里的配置是2个GTX 1080 Ti,这个时候双卡的优势终于发挥出来了,GPU 1用于预测,GPU 0还可以继续训练模型。
运行服务后会自动生成很多临时的目录和文件,为了方便管理与启动,可建立一个工作目录,并把启动命令写成一个shell脚本。
这里创建的是mobile_svr\bertsvr.sh
,这样可以比较方便地设置服务器启动时自动启动服务,另外增加了每次启动时自动清除临时文件
代码如下:
#!/bin/bash
#chkconfig: 2345 80 90
#description: 启动BERT分类模型
echo '正在启动 BERT mobile svr...'
cd /mnt/sda1/transdat/bert-demo/bert/mobile_svr
sudo rm -rf tmp*
export BERT_BASE_DIR=/mnt/sda1/transdat/bert-demo/bert/chinese_L-12_H-768_A-12
export TRAINED_CLASSIFIER=/mnt/sda1/transdat/bert-demo/bert/output
export EXP_NAME=mobile_0
bert-base-serving-start \
-model_dir $TRAINED_CLASSIFIER/$EXP_NAME \
-bert_model_dir $BERT_BASE_DIR \
-model_pb_dir $TRAINED_CLASSIFIER/$EXP_NAME \
-mode CLASS \
-max_seq_len 128 \
-http_port 8091 \
-port 5575 \
-port_out 5576 \
-device_map 1
补充说明一下内存的使用情况: BERT在训练时需要加载完整的模型数据,要用的内存是比较多的,差不多要10G,我这里用的是GTX 1080 Ti 11G。 但在训练完后,按上面的方式部署加载pb模型文件时,就不需要那么大了,上面也可以看到pb模型文件就是390M。 其实只要你使用的是BERT base 预训练模型,最终的得到的pb文件大小都是差不多的。
还有同学问到能不能用CPU来部署,我这里没尝试过,但我想肯定是可以的,只是在计算速度上跟GPU会有差别。
我这里使用GPU 1来实时预测,同时加载了2个BERT模型,截图如下:
端口测试
模型服务端部署完成了,可以使用curl命令来测试一下它的运行情况。
curl -X POST http://192.168.15.111:8091/encode \
-H 'content-type: application/json' \
-d '{"id": 111,"texts": ["总的来说,这款手机性价比是特别高的。","槽糕的售后服务!!!店大欺客"], "is_tokenized": false}'
执行结果:
> -H 'content-type: application/json' \
> -d '{"id": 111,"texts": ["总的来说,这款手机性价比是特别高的。","槽糕的售后服务!!!店大欺客"], "is_tokenized": false}'
{"id":111,"result":[{"pred_label":["1","-1"],"score":[0.9974544644355774,0.9961422085762024]}],"status":200}
可以看到对应的两个评论,预测结果一个是1,另一个是-1,计算的速度还是非常很快的。 通过这种方式来调用还是不太方便,知道了这个通讯方式,我们可以用flask编写一个API服务, 为所有的应用统一提供服务。
API服务编写与部署
为了方便客户端的调用,同时也为了可以对多个语句进行预测,我们用flask编写一个API服务端,使用更简洁的方式来与客户端(应用)来通讯。
整个API服务端放在独立目录/mobile_apisvr/
目录下。
用flask创建服务端并调用主方法,命令行参数如下:
def main_cli ():
pass
parser = argparse.ArgumentParser(description='API demo server')
parser.add_argument('-ip', type=str, default="0.0.0.0",
help='chinese google bert model serving')
parser.add_argument('-port', type=int, default=8910,
help='listen port,default:8910')
args = parser.parse_args()
flask_server(args)
主方法里创建APP对象:
app.run(
host = args.ip, #'0.0.0.0',
port = args.port, #8910,
debug = True
)
这里的接口简单规划为/api/v0.1/query
, 使用POST方法,参数名为'text',使用JSON返回结果;
路由配置:
@app.route('/api/v0.1/query', methods=['POST'])
API服务端的核心方法,是与BERT-Serving进行通讯,需要创建一个客户端BertClient:
#对句子进行预测识别
def class_pred(list_text):
#文本拆分成句子
#list_text = cut_sent(text)
print("total setance: %d" % (len(list_text)) )
with BertClient(ip='192.168.15.111', port=5575, port_out=5576, show_server_config=False, check_version=False, check_length=False,timeout=10000 , mode='CLASS') as bc:
start_t = time.perf_counter()
rst = bc.encode(list_text)
print('result:', rst)
print('time used:{}'.format(time.perf_counter() - start_t))
#返回结构为:
# rst: [{'pred_label': ['0', '1', '0'], 'score': [0.9983683228492737, 0.9988993406295776, 0.9997349381446838]}]
#抽取出标注结果
pred_label = rst[0]["pred_label"]
result_txt = [ [pred_label[i],list_text[i] ] for i in range(len(pred_label))]
return result_txt
注意:这里的IP,端口要与服务端的对应。
运行API 服务端:
python api_service.py
在代码中的debug设置为True,这样只要更新文件,服务就会自动重新启动,比较方便调试。 运行截图如下:
到这一步也可以使用curl或者其它工具进行测试,也可以等完成网页客户端后一并调试。 我这里使用chrome插件 API-debug来进行测试,如下图:
客户端(网页端)
这里使用一个HTML页面来模拟客户端,在实际项目中可能是具体的应用。 为了方便演示就把网页模板与API服务端合并在一起了,在网页端使用AJAX来与API服务端通讯。
创建模板目录templates
,使用模板来加载一个HTML,模板文件名为index.html
。
在HTML页面里使用AJAX来调用接口,由于是在同一个服务器,同一个端口,地址直接用/api/v0.1/query
就可以了,
在实际项目中,客户应用端与API是分开的,则需要指定接口URL地址,同时还要注意数据安全性。
代码如下:
function UrlPOST(txt,myfun){
if (txt=="")
{
return "error parm";
}
var httpurl = "/api/v0.1/query";
$.ajax({
type: "POST",
data: "text="+txt,
url: httpurl,
//async:false,
success: function(data)
{
myfun(data);
}
});
}
启动API服务端后,可以使用IP+端口
来访问了,这里的地址是http://192.168.15.111:8910/
运行界面截图如下:
可以看到请求的用时时间为37ms,速度还是很快的,当然这个速度跟硬件配置有关。
参考资料:
欢迎批评指正,联系邮箱(xmxoxo@qq.com)