如何用 Python 和 BERT 做中文文本二元分类?

兴奋

去年, Google 的 BERT 模型一发布出来,我就很兴奋。

因为我当时正在用 fast.ai 的 ULMfit 做自然语言分类任务(还专门写了《如何用 Python 和深度迁移学习做文本分类?》一文分享给你)。ULMfit 和 BERT 都属于预训练语言模型(Pre-trained Language Modeling),具有很多的相似性。

所谓语言模型,就是利用深度神经网络结构,在海量语言文本上训练,以抓住一种语言的通用特征

上述工作,往往只有大机构才能完成。因为花费实在太大了。

这花费包括但不限于:

  • 存数据
  • 买(甚至开发)运算设备
  • 训练模型(以天甚至月计)
  • 聘用专业人员
  • ……

预训练就是指他们训练好之后,把这种结果开放出来。我们普通人或者小型机构,也可以借用其结果,在自己的专门领域文本数据上进行微调,以便让模型对于这个专门领域的文本有非常清晰的认识

所谓认识,主要是指你遮挡上某些词汇,模型可以较准确地猜出来你藏住了什么。

甚至,你把两句话放在一起,模型可以判断它俩是不是紧密相连的上下文关系。

这种“认识”有用吗?

当然有。

BERT 在多项自然语言任务上测试,不少结果已经超越了人类选手。

BERT 可以辅助解决的任务,当然也包括文本分类(classification),例如情感分类等。这也是我目前研究的问题。

痛点

然而,为了能用上 BERT ,我等了很久。

Google 官方代码早已开放。就连 Pytorch 上的实现,也已经迭代了多少个轮次了。

但是我只要一打开他们提供的样例,就头晕。

单单是那代码的行数,就非常吓人。

而且,一堆的数据处理流程(Data Processor) ,都用数据集名称命名。我的数据不属于上述任何一个,那么我该用哪个?

还有莫名其妙的无数旗标(flags) ,看了也让人头疼不已。

让我们来对比一下,同样是做分类任务,Scikit-learn 里面的语法结构是什么样的。

from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
clf = tree.DecisionTreeClassifier()
clf = clf.fit(iris.data, iris.target)

即便是图像分类这种数据吞吐量大,需要许多步骤的任务,你用 fast.ai ,也能几行代码,就轻轻松松搞定。

!git clone https://github.com/wshuyi/demo-image-classification-fastai.git
from fastai.vision import *
path = Path("demo-image-classification-fastai/imgs/")
data = ImageDataBunch.from_folder(path, test='test', size=224)
learn = cnn_learner(data, models.resnet18, metrics=accuracy)
learn.fit_one_cycle(1)
interp = ClassificationInterpretation.from_learner(learn)
interp.plot_top_losses(9, figsize=(8, 8))

别小瞧这几行代码,不仅帮你训练好一个图像分类器,还能告诉你,那些分类误差最高的图像中,模型到底在关注哪里。

对比一下,你觉得 BERT 样例和 fast.ai 的样例区别在哪儿?

我觉得,后者是给人用的

教程

我总以为,会有人把代码重构一下,写一个简明的教程。

毕竟,文本分类任务是个常见的机器学习应用。应用场景多,也适合新手学习。

但是,这样的教程,我就是没等来。

当然,这期间,我也看过很多人写的应用和教程。

有的就做到把一段自然语言文本,转换到 BERT 编码。戛然而止。

有的倒是认真介绍怎么在官方提供的数据集上,对 BERT 进行“稍微修改”使用。所有的修改,都在原始的 Python 脚本上完成。那些根本没用到的函数和参数,全部被保留。至于别人如何复用到自己的数据集上?人家根本没提这事儿。

我不是没想过从头啃一遍代码。想当年读研的时候,我也通读过仿真平台上 TCP 和 IP 层的全部 C 代码。我确定眼前的任务,难度更低一些。

但是我真的懒得做。我觉得自己被 Python 机器学习框架,特别是 fast.ai 和 Scikit-learn 宠坏了。

后来, Google 的开发人员把 BERT 弄到了 Tensorflow Hub 上。还专门写了个 Google Colab Notebook 样例。

看到这个消息,我高兴坏了。

我尝试过 Tensorflow Hub 上的不少其他模型。使用起来很方便。而 Google Colab 我已在《如何用 Google Colab 练 Python?》一文中介绍给你,是非常好的 Python 深度学习练习和演示环境。满以为双剑合璧,这次可以几行代码搞定自己的任务了。

且慢。

真正打开一看,还是以样例数据为中心。

普通用户需要什么?需要一个接口。

你告诉我输入的标准规范,然后告诉我结果都能有什么。即插即用,完事儿走人。

一个文本分类任务,原本不就是给你个训练集和测试集,告诉你训练几轮练多快,然后你告诉我准确率等结果吗?

你至于让我为了这么简单的一个任务,去读几百行代码,自己找该在哪里改吗?

好在,有了这个样例做基础,总比没有好。

我耐下心来,把它整理了一番。

声明一下,我并没有对原始代码进行大幅修改。

所以不讲清楚的话,就有剽窃嫌疑,也会被鄙视的。

这种整理,对于会 Python 的人来说,没有任何技术难度。

可正因为如此,我才生气。这事儿难做吗?Google 的 BERT 样例编写者怎么就不肯做?

从 Tensorflow 1.0 到 2.0,为什么变动会这么大?不就是因为 2.0 才是给人用的吗?

你不肯把界面做得清爽简单,你的竞争者(TuriCreate 和 fast.ai)会做,而且做得非常好。实在坐不住了,才肯降尊纡贵,给普通人开发一个好用的界面。

教训啊!为什么就不肯吸取呢?

我给你提供一个 Google Colab 笔记本样例,你可以轻易地替换上自己的数据集来运行。你需要去理解(包括修改)的代码,不超过10行

我先是测试了一个英文文本分类任务,效果很好。于是写了一篇 Medium 博客,旋即被 Towards Data Science 专栏收录了。

Towards Data Science 专栏编辑给我私信,说:

Very interesting, I like this considering the default implementation is not very developer friendly for sure.

有一个读者,居然连续给这篇文章点了50个赞(Claps),我都看呆了。

看来,这种忍受已久的痛点,不止属于我一个人。

估计你的研究中,中文分类任务可能遇到得更多。所以我干脆又做了一个中文文本分类样例,并且写下这篇教程,一并分享给你。

咱们开始吧。

代码

请点击这个链接,查看我在 Github 上为你做好的 IPython Notebook 文件。

Notebook 顶端,有个非常明显的 "Open in Colab" 按钮。点击它,Google Colab 就会自动开启,并且载入这个 Notebook 。

我建议你点一下上图中红色圈出的 “COPY TO DRIVE” 按钮。这样就可以先把它在你自己的 Google Drive 中存好,以便使用和回顾。

这件事做好以后,你实际上只需要执行下面三个步骤:

  1. 你的数据,应该以 Pandas 数据框形式组织。如果你对 Pandas 不熟悉,可以参考我的这篇文章
  2. 如有必要,可以调整训练参数。其实主要是训练速率(Learning Rate)和训练轮数(Epochs)。
  3. 执行 Notebook 的代码,获取结果。

当你把 Notebook 存好之后。定睛一看,或许会觉得上当了。

老师你骗人!说好了不超过10行代码的!

别急

在下面这张图红色圈出的这句话之前,你不用修改任何内容

请你点击这句话所在位置,然后从菜单中如下图选择 Run before

下面才都是紧要的环节,集中注意力。

第一步,就是把数据准备好。

!wget https://github.com/wshuyi/demo-chinese-text-binary-classification-with-bert/raw/master/dianping_train_test.pickle

with open("dianping_train_test.pickle", 'rb') as f:
    train, test = pickle.load(f)

这里使用的数据,你应该并不陌生。它是餐饮点评情感标注数据,我在《如何用Python和机器学习训练中文文本情感分类模型?》和《如何用 Python 和循环神经网络做中文文本分类?》中使用过它。只不过,为了演示的方便,这次我把它输出为 pickle 格式,一起放在了演示 Github repo 里,便于你下载和使用。

其中的训练集,包含1600条数据;测试集包含400条数据。标注里面1代表正向情感,0代表负向情感。

利用下面这条语句,我们把训练集重新洗牌(shuffling),打乱顺序。以避免过拟合(overfitting)。

train = train.sample(len(train))

这时再来看看我们训练集的头部内容。

train.head()

如果你后面要替换上自己的数据集,请注意格式。训练集和测试集的列名称应该保持一致。

第二步,我们来设置参数。

myparam = {
        "DATA_COLUMN": "comment",
        "LABEL_COLUMN": "sentiment",
        "LEARNING_RATE": 2e-5,
        "NUM_TRAIN_EPOCHS":3,
        "bert_model_hub":"https://tfhub.dev/google/bert_chinese_L-12_H-768_A-12/1"
    }

前两行,是把文本、标记对应的列名,指示清楚。

第三行,指定训练速率。你可以阅读原始论文,来进行超参数调整尝试。或者,你干脆保持默认值不变就可以。

第四行,指定训练轮数。把所有数据跑完,算作一轮。这里使用3轮。

最后一行,是说明你要用的 BERT 预训练模型。咱们要做中文文本分类,所以使用的是这个中文预训练模型地址。如果你希望用英文的,可以参考我的 Medium 博客文章以及对应的英文样例代码

最后一步,我们依次执行代码就好了。

result, estimator = run_on_dfs(train, test, **myparam)

注意,执行这一句,可能需要花费一段时间。做好心理准备。这跟你的数据量和训练轮数设置有关。

在这个过程中,你可以看到,程序首先帮助你把原先的中文文本,变成了 BERT 可以理解的输入数据格式。

当你看到下图中红色圈出文字时,就意味着训练过程终于结束了。

然后你就可以把测试的结果打印出来了。

pretty_print(result)

跟咱们之前的教程(使用同一数据集)对比一下。

当时自己得写那么多行代码,而且需要跑10个轮次,可结果依然没有超过 80% 。这次,虽然只训练了3个轮次,但准确率已经超过了 88% 。

在这样小规模数据集上,达到这样的准确度,不容易。

BERT 性能之强悍,可见一斑。

小结

讲到这里,你已经学会了如何用 BERT 来做中文文本二元分类任务了。希望你会跟我一样开心。

如果你是个资深 Python 爱好者,请帮我个忙。

还记得这条线之前的代码吗?

能否帮我把它们打个包?这样咱们的演示代码就可以更加短小精悍和清晰易用了。

欢迎在咱们的 Github 项目上提交你的代码。如果你觉得这篇教程对你有帮助,欢迎给这个 Github 项目加颗星。谢谢!

祝深度学习愉快!

延伸阅读

你可能也会对以下话题感兴趣。点击链接就可以查看。

喜欢请点赞和打赏。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)

如果你对 Python 与数据科学感兴趣,不妨阅读我的系列教程索引贴《如何高效入门数据科学?》,里面还有更多的有趣问题及解法。

知识星球入口在这里: