作者 | 奇點機智
從11月初開始，Google Research就陸續開源了BERT的各個版本。Google此次開源的BERT是通過TensorFlow高級API—— tf.estimator進行封裝(wrapper)的。因此對於不同數據集的適配，只需要修改代碼中的processor部分，就能進行代碼的訓練、交叉驗證和測試。
奇點機智技術團隊將結合利用BERT在AI-Challenger機器閱讀理解賽道的實踐表現以及多年的NLP經驗積累，爲大家奉上BERT在中文數據集上的fine tune全攻略。
在自己的數據集上運行 BERT
BERT的代碼同論文裏描述的一致，主要分爲兩個部分。一個是訓練語言模型（language model）的預訓練（pretrain）部分。另一個是訓練具體任務(task)的fine-tune部分。在開源的代碼中，預訓練的入口是在run_pretraining.py而fine-tune的入口針對不同的任務分別在run_classifier.py和run_squad.py。其中run_classifier.py適用的任務爲分類任務。如CoLA、MRPC、MultiNLI這些數據集。而run_squad.py適用的是閱讀理解(MRC)任務，如squad2.0和squad1.1。
預訓練是BERT很重要的一個部分，與此同時，預訓練需要巨大的運算資源。按照論文裏描述的參數，其Base的設定在消費級的顯卡Titan x 或Titan 1080ti(12GB RAM)上，甚至需要近幾個月的時間進行預訓練，同時還會面臨顯存不足的問題。
不過所幸的是谷歌滿足了Issues#2（https://github.com/google-research/bert/issues/2）裏各國開發者的請求，針對大部分語言都公佈了BERT的預訓練模型。因此在我們可以比較方便地在自己的數據集上進行fine-tune。
下載預訓練模型
對於中文而言，google公佈了一個參數較小的BERT預訓練模型。具體參數數值如下所示：
Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters
模型的下載鏈接：（https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip）
對下載的壓縮文件進行解壓，可以看到文件裏有五個文件，其中bert_model.ckpt開頭的文件是負責模型變量載入的，而vocab.txt是訓練時中文文本採用的字典，最後bert_config.json是BERT在訓練時，可選調整的一些參數。
修改 processor
任何模型的訓練、預測都是需要有一個明確的輸入，而BERT代碼中processor就是負責對模型的輸入進行處理。我們以分類任務的爲例，介紹如何修改processor來運行自己數據集上的fine-tune。在run_classsifier.py文件中我們可以看到，google對於一些公開數據集已經寫了一些processor，如XnliProcessor,MnliProcessor,MrpcProcessor和ColaProcessor。這給我們提供了一個很好的示例，指導我們如何針對自己的數據集來寫processor。
對於一個需要執行訓練、交叉驗證和測試完整過程的模型而言，自定義的processor裏需要繼承DataProcessor，並重載獲取label的get_labels和獲取單個輸入的get_train_examples,get_dev_examples和get_test_examples函數。其分別會在main函數的FLAGS.do_train、FLAGS.do_eval和FLAGS.do_predict階段被調用。
這三個函數的內容是相差無幾的，區別只在於需要指定各自讀入文件的地址。
以get_train_examples爲例，函數需要返回一個由InputExample類組成的list。InputExample類是一個很簡單的類，只有初始化函數，需要傳入的參數中guid是用來區分每個example的，可以按照train-%d'%(i)的方式進行定義。text_a是一串字符串，text_b則是另一串字符串。在進行後續輸入處理後(BERT代碼中已包含，不需要自己完成) text_a和text_b將組合成[CLS] text_a [SEP] text_b [SEP]的形式傳入模型。最後一個參數label也是字符串的形式，label的內容需要保證出現在get_labels函數返回的list裏。
舉一個例子，假設我們想要處理一個能夠判斷句子相似度的模型，現在在data_dir的路徑下有一個名爲train.csv的輸入文件，如果我們現在輸入文件的格式如下csv形式：
1,你好,您好 0,你好,你家住哪
那麼我們可以寫一個如下的get_train_examples的函數。當然對於csv的處理，可以使用諸如csv.reader的形式進行讀入。
def get_train_examples(self, data_dir):
file_path = os.path.join(data_dir, 'train.csv')
with open(file_path, 'r') as f:
reader = f.readlines()
examples = []
for index, line in 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))
return examples同時對應判斷句子相似度這個二分類任務，get_labels函數可以寫成如下的形式：
def get_labels(self):
return ['0','1']在對get_dev_examples和get_test_examples函數做類似get_train_examples的操作後，便完成了對processor的修改。其中get_test_examples可以傳入一個隨意的label數值，因爲在模型的預測（prediction）中label將不會參與計算。
修改 processor 字典
修改完成processor後，需要在在原本main函數的processor字典裏，加入修改後的processor類，即可在運行參數裏指定調用該processor。
processors = {
"cola": ColaProcessor,
"mnli": MnliProcessor,
"mrpc": MrpcProcessor,
"xnli": XnliProcessor,
"selfsim": SelfProcessor #添加自己的processor
}運行 fine-tune
之後就可以直接運行run_classsifier.py進行模型的訓練。在運行時需要制定一些參數，一個較爲完整的運行參數如下所示：
export BERT_BASE_DIR=/path/to/bert/chinese_L-12_H-768_A-12 #全局變量 下載的預訓練bert地址 export MY_DATASET=/path/to/xnli #全局變量 數據集所在地址 python run_classifier.py \ --task_name=selfsim \ #自己添加processor在processors字典裏的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 \ #模型參數 --train_batch_size=32 \ --learning_rate=5e-5 \ --num_train_epochs=2.0 \ --output_dir=/tmp/selfsim_output/ #模型輸出路徑
BERT 源代碼裏還有什麼
在開始訓練我們自己fine-tune的BERT後，我們可以再來看看BERT代碼裏除了processor之外的一些部分。
我們可以發現，process在得到字符串形式的輸入後，在file_based_convert_examples_to_features裏先是對字符串長度，加入[CLS]和[SEP]等一些處理後，將其寫入成TFrecord的形式。這是爲了能在estimator裏有一個更爲高效和簡易的讀入。
我們還可以發現，在create_model的函數裏，除了從modeling.py獲取模型主幹輸出之外，還有進行fine-tune時候的loss計算。因此，如果對於fine-tune的結構有自定義的要求，可以在這部分對代碼進行修改。如進行NER任務的時候，可以按照BERT論文裏的方式，不只讀第一位的logits，而是將每一位logits進行讀取。
BERT這次開源的代碼，由於是考慮在google自己的TPU上高效地運行，因此採用的estimator是tf.contrib.tpu.TPUEstimator,雖然TPU的estimator同樣可以在gpu和cpu上運行，但若想在gpu上更高效地做一些提升，可以考慮將其換成tf.estimator.Estimator,於此同時model_fn裏一些tf.contrib.tpu.TPUEstimatorSpec也需要修改成tf.estimator.EstimatorSpec的形式，以及相關調用參數也需要做一些調整。在轉換成較普通的estimator後便可以使用常用的方式對estimator進行處理，如生成用於部署的.pb文件等。
GitHub Issues 裏一些有趣的內容
從google對BERT進行開源開始，Issues裏的討論便異常活躍，BERT論文第一作者Jacob Devlin也積極地在Issues裏進行迴應，在交流討論中，產生了一些很有趣的內容。
在GitHub Issues#95 (https://github.com/google-research/bert/issues/95) 中大家討論了BERT模型在今年AI-Challenger比賽上的應用。我們也同樣嘗試了BERT在AI-Challenger的機器閱讀理解（mrc）賽道的表現。如果簡單得地將mrc的文本連接成一個長字符串的形式，可以在dev集上得到79.1%的準確率。
如果參考openAI的GPT論文(https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf)裏multi-choice的形式對BERT的輸入輸出代碼進行修改則可以將準確率提高到79.3%。採用的參數都是BERT默認的參數，而單一模型成績在賽道的test a排名中已經能超過榜單上的第一名。因此，在相關中文的任務中，bert能有很大的想象空間。
在GitHub Issues#123(https://github.com/google-research/bert/issues/123)中，@hanxiao(https://github.com/hanxiao)給出了一個採用ZeroMQ便捷部署BERT的service，可以直接調用訓練好的模型作爲應用的接口。同時他將BERT改爲一個大的encode模型，將文本通過BERT進行encode，來實現句子級的encode。此外，他對比了多GPU上的性能，發現bert在多GPU並行上的出色表現。
總結
總的來說，Google此次開源的BERT和其預訓練模型是非常有價值的，可探索和改進的內容也很多。相關數據集上已經出現了對BERT進行修改後的複合模型，如squad2.0上哈工大(HIT)的AoA + DA + BERT以及西湖大學（DAMO）的SLQA + BERT。 在感謝google這份付出的同時，我們也可以藉此站在巨人的肩膀上，嘗試將其運用在自然語言處理領域的方方面面，讓人工智能的夢想更近一步。
原文地址：https://www.jianshu.com/p/aa2eff7ec5c1
BDTC 2018
◆
精彩紛呈
◆
2018 年12月6-8 日，由中國計算機學會主辦，CCF 大數據專家委員會承辦，CSDN、中科天璣數據科技股份有限公司協辦的 2018 中國大數據技術大會（BDTC 2018），將在北京新雲南皇冠假日酒店隆重舉行。
除 Keynote 外，主辦方精心策劃了 13 場專題技術和行業論壇，涵蓋大數據分析與生態系統、深度學習、推薦系統、大數據安全與政策、大數據可視分析、精準醫療大數據、數據科學與大數據技術教育、數據庫、金融大數據、知識圖譜、工業大數據、區塊鏈、交通與旅遊大數據等主題。
屆時，近百位技術專家及行業領袖將齊聚於此，聚焦大數據技術如何促進數字經濟迅速發展，關注大數據新應用，思辨通達，深入解析熱門技術在行業中的實踐和落地。緊貼時代脈搏，走近數據前沿。