HuggingFace镜像/bert-base-cased
模型介绍文件和版本分析
下载使用量0

BERT 基础模型（大小写敏感）

基于英语语言、使用掩码语言模型（MLM）目标训练的预训练模型。该模型在此论文中被首次提出，并在此仓库中首次发布。本模型区分大小写：例如，“english”和“English”会被视为不同的词。

免责声明：发布 BERT 的团队未为此模型撰写模型卡片，因此本模型卡片由 Hugging Face 团队编写。

模型说明

BERT 是一个基于 Transformer 的模型，它在大规模英语语料库上以自监督的方式进行预训练。这意味着它仅在原始文本上进行预训练，无需人工对文本进行任何形式的标注（这也是它能够利用大量公开可用数据的原因），并通过自动流程从这些文本中生成输入和标签。更准确地说，它是在两个目标下进行预训练的：

  • 掩码语言模型（MLM）：对于一个句子，模型会随机掩码输入中 15% 的词，然后将整个被掩码的句子输入模型，模型需要预测这些被掩码的词。这与传统的循环神经网络（RNNs）通常逐个处理词语，或者与像 GPT 这样的自回归模型在内部掩码未来 token 的方式不同。它允许模型学习句子的双向表示。
  • 下一句预测（NSP）：模型在预训练期间将两个经过掩码的句子拼接作为输入。有时这两个句子在原始文本中是相邻的，有时则不是。然后模型需要预测这两个句子是否是前后连贯的。

通过这种方式，模型学习到英语语言的内部表示，这些表示随后可用于提取对下游任务有用的特征：例如，如果你有一个带标签的句子数据集，你可以使用 BERT 模型生成的特征作为输入来训练一个标准分类器。

预期用途和限制

您可以将原始模型用于掩码语言建模或下一句预测，但它主要旨在针对下游任务进行微调。请参阅模型中心，查找您感兴趣的任务的微调版本。

请注意，此模型主要用于在需要使用整个句子（可能包含掩码）进行决策的任务上进行微调，例如序列分类、 token 分类或问答。对于文本生成等任务，您应该考虑 GPT2 等模型。

使用方法

您可以直接通过 pipeline 将此模型用于掩码语言建模：

>>> from mindnlp.transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='bert-base-cased')
>>> unmasker("Hello I'm a [MASK] model.")

[{'sequence': "[CLS] Hello I'm a fashion model. [SEP]",
  'score': 0.09019174426794052,
  'token': 4633,
  'token_str': 'fashion'},
 {'sequence': "[CLS] Hello I'm a new model. [SEP]",
  'score': 0.06349995732307434,
  'token': 1207,
  'token_str': 'new'},
 {'sequence': "[CLS] Hello I'm a male model. [SEP]",
  'score': 0.06228214129805565,
  'token': 2581,
  'token_str': 'male'},
 {'sequence': "[CLS] Hello I'm a professional model. [SEP]",
  'score': 0.0441727414727211,
  'token': 1848,
  'token_str': 'professional'},
 {'sequence': "[CLS] Hello I'm a super model. [SEP]",
  'score': 0.03326151892542839,
  'token': 7688,
  'token_str': 'super'}]

以下是如何在 MindSpore 中使用该模型获取给定文本特征的方法：

from mindnlp.transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
model = BertModel.from_pretrained("bert-base-cased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='ms')
output = model(**encoded_input)

或

from mindnlp.transformers import BertTokenizer, TFBertModel
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
model = TFBertModel.from_pretrained("bert-base-cased")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='ms')
output = model(encoded_input)

局限性与偏差

即便用于训练此模型的数据可被描述为相当中立，该模型仍可能产生有偏差的预测：

>>> from mindnlp.transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='bert-base-cased')
>>> unmasker("The man worked as a [MASK].")

[{'sequence': '[CLS] The man worked as a lawyer. [SEP]',
  'score': 0.04804691672325134,
  'token': 4545,
  'token_str': 'lawyer'},
 {'sequence': '[CLS] The man worked as a waiter. [SEP]',
  'score': 0.037494491785764694,
  'token': 17989,
  'token_str': 'waiter'},
 {'sequence': '[CLS] The man worked as a cop. [SEP]',
  'score': 0.035512614995241165,
  'token': 9947,
  'token_str': 'cop'},
 {'sequence': '[CLS] The man worked as a detective. [SEP]',
  'score': 0.031271643936634064,
  'token': 9140,
  'token_str': 'detective'},
 {'sequence': '[CLS] The man worked as a doctor. [SEP]',
  'score': 0.027423162013292313,
  'token': 3995,
  'token_str': 'doctor'}]

>>> unmasker("The woman worked as a [MASK].")

[{'sequence': '[CLS] The woman worked as a nurse. [SEP]',
  'score': 0.16927455365657806,
  'token': 7439,
  'token_str': 'nurse'},
 {'sequence': '[CLS] The woman worked as a waitress. [SEP]',
  'score': 0.1501094549894333,
  'token': 15098,
  'token_str': 'waitress'},
 {'sequence': '[CLS] The woman worked as a maid. [SEP]',
  'score': 0.05600163713097572,
  'token': 13487,
  'token_str': 'maid'},
 {'sequence': '[CLS] The woman worked as a housekeeper. [SEP]',
  'score': 0.04838843643665314,
  'token': 26458,
  'token_str': 'housekeeper'},
 {'sequence': '[CLS] The woman worked as a cook. [SEP]',
  'score': 0.029980547726154327,
  'token': 9834,
  'token_str': 'cook'}]

这种偏差也会影响该模型的所有微调版本。

训练数据

BERT 模型是在 BookCorpus 和 English Wikipedia（不包含列表、表格和标题）上进行预训练的。其中，BookCorpus 是一个包含 11,038 本未出版书籍的数据集。

训练过程

预处理

文本使用 WordPiece 进行分词，词汇表大小为 30,000。然后，模型的输入形式如下：

[CLS] Sentence A [SEP] Sentence B [SEP]

以 0.5 的概率，句子 A 和句子 B 对应原始语料库中的两个连续句子，在其他情况下，则是语料库中的另一个随机句子。请注意，此处所指的“句子”是一段连续的文本，通常比单个句子更长。唯一的限制是，这两个“句子”组合后的总长度需少于 512 个 tokens。

每个句子的掩码处理细节如下：

  • 15% 的 tokens 被掩码。
  • 在 80% 的情况下，被掩码的 tokens 会被替换为 [MASK]。
  • 在 10% 的情况下，被掩码的 tokens 会被替换为一个（与原 token 不同的）随机 token。
  • 在剩余 10% 的情况下，被掩码的 tokens 保持不变。

预训练

该模型在采用 Pod 配置的 4 个云 TPU（总共 16 个 TPU 芯片）上进行训练，训练步数为一百万步，批处理大小为 256。在 90% 的训练步骤中，序列长度限制为 128 个 tokens，在剩余 10% 的步骤中则为 512 个 tokens。使用的优化器为 Adam，学习率为 1e-4，$\beta_{1} = 0.9$，$\beta_{2} = 0.999$，权重衰减为 0.01，学习率预热步数为 10,000 步，之后学习率呈线性衰减。

评估结果

当在下游任务上进行微调时，该模型取得了以下结果：

GLUE 测试结果：

任务MNLI-(m/mm)QQPQNLISST-2CoLASTS-BMRPCRTE平均值
84.6/83.471.290.593.552.185.888.966.479.6

BibTeX 条目和引用信息

@article{DBLP:journals/corr/abs-1810-04805,
  author    = {Jacob Devlin and
               Ming{-}Wei Chang and
               Kenton Lee and
               Kristina Toutanova},
  title     = {{BERT:} Pre-training of Deep Bidirectional Transformers for Language
               Understanding},
  journal   = {CoRR},
  volume    = {abs/1810.04805},
  year      = {2018},
  url       = {http://arxiv.org/abs/1810.04805},
  archivePrefix = {arXiv},
  eprint    = {1810.04805},
  timestamp = {Tue, 30 Oct 2018 20:39:56 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1810-04805.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}