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

BERT基础模型( uncased )

基于英语语言、采用掩码语言模型(MLM)目标训练的预训练模型。该模型在此论文中首次提出,并在此仓库中首次发布。此模型为 uncased 版本:即“english”和“English”之间没有区别。

免责声明:发布 BERT 的团队并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。

模型描述

BERT 是一个在大型英语语料库上以自监督方式预训练的转换器模型。这意味着它仅在原始文本上进行预训练,无需人工以任何方式进行标注(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,它是通过两个目标进行预训练的:

  • 掩码语言模型(MLM):对于一个句子,模型会随机掩码输入中15%的词语,然后将整个掩码后的句子输入模型,并预测被掩码的词语。这与传统的循环神经网络(RNNs)通常逐个处理词语,或者像 GPT 这样的自回归模型在内部掩码未来标记的方式不同。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掩码后的句子拼接作为输入。有时这些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连续的。

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,如果您有一个带标签的句子数据集,您可以使用 BERT 模型生成的特征作为输入来训练一个标准分类器。

模型变体

BERT 最初发布了基础(base)和大型(large)两种变体,分别适用于大小写敏感(cased)和大小写不敏感(uncased)的输入文本。Uncased 模型还会去除重音标记。 随后不久,又发布了中文以及多语言的 uncased 和 cased 版本。 在后续的工作中,采用整词掩码(whole word masking)的改进预处理方法取代了子词掩码(subpiece masking),并发布了两个相应模型。 之后又发布了其他 24 个更小的模型。

详细的发布历史可在 GitHub 上的google-research/bert 自述文件中找到。

模型参数数量语言
bert-base-uncased110M英语
bert-large-uncased340M英语
bert-base-cased110M英语
bert-large-cased340M英语
bert-base-chinese110M中文
bert-base-multilingual-cased110M多语言
bert-large-uncased-whole-word-masking340M英语
bert-large-cased-whole-word-masking340M英语

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 分类或问答任务。对于文本生成等任务,您应该考虑 GPT2 等模型。

使用方法

在 Openmind 中使用

from openmind import pipeline, is_torch_npu_available
from openmind import AutoTokenizer, AutoModelForCausalLM
from openmind_hub import snapshot_download
import torch.nn.functional as F
from torch import Tensor
import openmind
import torch
import argparse
import time

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Path to model",
        default="jeffding/bert-base-uncased-openmind",
    )
    args = parser.parse_args()
    return args

def main():
    args = parse_args()
    model_path = args.model_name_or_path

    if is_torch_npu_available():
        device = "npu:0"
    else:
        device = "cpu"
    
    start_time = time.time()
    classifier = pipeline(task="text-classification", model=model_path, top_k=None, device=device)

    sentences = ["I am not having a great day"]

    model_outputs = classifier(sentences)
    print(model_outputs[0])
    
    end_time = time.time()
    print(f"硬件环境:{device},推理执行时间:{end_time - start_time}秒")
    
if __name__ == "__main__":
    main()

您可以直接通过掩码语言建模的流水线使用此模型:

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

[{'sequence': "[CLS] hello i'm a fashion model. [SEP]",
  'score': 0.1073106899857521,
  'token': 4827,
  'token_str': 'fashion'},
 {'sequence': "[CLS] hello i'm a role model. [SEP]",
  'score': 0.08774490654468536,
  'token': 2535,
  'token_str': 'role'},
 {'sequence': "[CLS] hello i'm a new model. [SEP]",
  'score': 0.05338378623127937,
  'token': 2047,
  'token_str': 'new'},
 {'sequence': "[CLS] hello i'm a super model. [SEP]",
  'score': 0.04667217284440994,
  'token': 3565,
  'token_str': 'super'},
 {'sequence': "[CLS] hello i'm a fine model. [SEP]",
  'score': 0.027095865458250046,
  'token': 2986,
  'token_str': 'fine'}]

以下是如何在 PyTorch 中使用该模型获取给定文本特征的方法:

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

以及在 TensorFlow 中:

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

局限性与偏见

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见的预测:

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

[{'sequence': '[CLS] the man worked as a carpenter. [SEP]',
  'score': 0.09747550636529922,
  'token': 10533,
  'token_str': 'carpenter'},
 {'sequence': '[CLS] the man worked as a waiter. [SEP]',
  'score': 0.0523831807076931,
  'token': 15610,
  'token_str': 'waiter'},
 {'sequence': '[CLS] the man worked as a barber. [SEP]',
  'score': 0.04962705448269844,
  'token': 13362,
  'token_str': 'barber'},
 {'sequence': '[CLS] the man worked as a mechanic. [SEP]',
  'score': 0.03788609802722931,
  'token': 15893,
  'token_str': 'mechanic'},
 {'sequence': '[CLS] the man worked as a salesman. [SEP]',
  'score': 0.037680890411138535,
  'token': 18968,
  'token_str': 'salesman'}]

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

[{'sequence': '[CLS] the woman worked as a nurse. [SEP]',
  'score': 0.21981462836265564,
  'token': 6821,
  'token_str': 'nurse'},
 {'sequence': '[CLS] the woman worked as a waitress. [SEP]',
  'score': 0.1597415804862976,
  'token': 13877,
  'token_str': 'waitress'},
 {'sequence': '[CLS] the woman worked as a maid. [SEP]',
  'score': 0.1154729500412941,
  'token': 10850,
  'token_str': 'maid'},
 {'sequence': '[CLS] the woman worked as a prostitute. [SEP]',
  'score': 0.037968918681144714,
  'token': 19215,
  'token_str': 'prostitute'},
 {'sequence': '[CLS] the woman worked as a cook. [SEP]',
  'score': 0.03042375110089779,
  'token': 5660,
  '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 上进行预训练的,该数据集包含 11,038 本未出版书籍以及 English Wikipedia(不包括列表、表格和标题)。

训练过程

预处理

文本会被转换为小写,并使用 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(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。90% 的训练步骤中序列长度限制为 128 个 tokens,其余 10% 的步骤中序列长度限制为 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

在下游任务上进行微调后,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}
}