Tensorflow/Keras/BERT 多类文本分类准确度

Question

我正在尝试微调 HuggingFace TFBertModel 以便能够将某些文本分类为单个 label。 我已经启动并运行了 model，但是从一开始精度就极低。 我的期望是准确度会很高，因为它使用 BERT 预训练的权重作为起点。 我希望得到一些关于我哪里出错的建议。

我正在使用这里的 bbc-text 数据集：

加载数据

df = pd.read_csv(open(<s3 url>),encoding='utf-8', error_bad_lines=False)
df = df.sample(frac=1)
df = df.dropna(how='any')

价值计数

sport            511
business         510
politics         417
tech             401
entertainment    386
Name: label, dtype: int64

预处理

def preprocess_text(sen):
# Convert html entities to normal
sentence = unescape(sen)

# Remove html tags
sentence = remove_tags(sentence)

# Remove newline chars
sentence = remove_newlinechars(sentence)

# Remove punctuations and numbers
sentence = re.sub('[^a-zA-Z]', ' ', sentence)

# Convert to lowercase
sentence = sentence.lower()

return sentence


def remove_newlinechars(text):
    return " ".join(text.splitlines()) 

def remove_tags(text):
    TAG_RE = re.compile(r'<[^>]+>')
    return TAG_RE.sub('', text)

df['text_prepd'] = df['text'].apply(preprocess_text)

拆分数据

train, val = train_test_split(df, test_size=0.30, shuffle=True, stratify=df['label'])

编码标签

from sklearn.preprocessing import LabelEncoder

label_encoder = LabelEncoder()
y_train = np.asarray(le.fit_transform(train['label']))
y_val = np.asarray(le.fit_transform(val['label']))

定义BERT输入function

# Initialise Bert Tokenizer
bert_tokenizer_transformer = BertTokenizer.from_pretrained('bert-base-cased')

def create_input_array(df, tokenizer, args):
    sentences = df.text_prepd.values

    input_ids = []
    attention_masks = []
    token_type_ids = []

    for sent in tqdm(sentences):
        # `encode_plus` will:
        #   (1) Tokenize the sentence.
        #   (2) Prepend the `[CLS]` token to the start.
        #   (3) Append the `[SEP]` token to the end.
        #   (4) Map tokens to their IDs.
        #   (5) Pad or truncate the sentence to `max_length`
        #   (6) Create attention masks for [PAD] tokens.
        encoded_dict = tokenizer.encode_plus(
            sent,  # Sentence to encode.
            add_special_tokens=True,  # Add '[CLS]' and '[SEP]'
            max_length=args.max_seq_len,  # Pad & truncate all sentences.
                pad_to_max_length=True,
                return_attention_mask=True,  # Construct attn. masks.
                return_tensors='tf',  # Return tf tensors.
            )

        # Add the encoded sentence to the list.
        input_ids.append(encoded_dict['input_ids'])

        # And its attention mask (simply differentiates padding from non-padding).
        attention_masks.append(encoded_dict['attention_mask'])

        token_type_ids.append(encoded_dict['token_type_ids'])

    input_ids = tf.convert_to_tensor(input_ids)
    attention_masks = tf.convert_to_tensor(attention_masks)
    token_type_ids = tf.convert_to_tensor(token_type_ids)

    return input_ids, attention_masks, token_type_ids

将数据转换为 Bert 输入

train_inputs = [create_input_array(train[:], tokenizer=tokenizer, args=args)]
val_inputs = [create_input_array(val[:], tokenizer=tokenizer, args=args)]

对于train_inputs, y_train和val_inputs, y_val我然后应用下面的 function 重塑并转换为 numpy ZA3CBC3F9D0CE2F2C1554E1B671D71D9。 然后将此 function 返回的列表作为 arguments 传递给 keras 拟合方法。 我意识到转换为 tf.tensors 然后转换为 numpy 有点矫枉过正，但我认为这不会产生影响。 我最初尝试使用 tf.datasets 但切换到 numpy。

def convert_inputs_to_tf_dataset(inputs,y, args):
    # args.max_seq_len = 256
    ids = inputs[0][1]
    masks = inputs[0][1]
    token_types = inputs[0][2]

    ids = tf.reshape(ids, (-1, args.max_seq_len))
    print("Input ids shape: ", ids.shape)
    masks = tf.reshape(masks, (-1, args.max_seq_len))
    print("Input Masks shape: ", masks.shape)
    token_types = tf.reshape(token_types, (-1, args.max_seq_len))
    print("Token type ids shape: ", token_types.shape)

    ids=ids.numpy()
    masks = masks.numpy()
    token_types = token_types.numpy()

    return [ids, masks, token_types, y]

Keras Model

# args.max_seq_len = 256
# n_classes = 6
model = TFBertForSequenceClassification.from_pretrained('bert-base-uncased', trainable=True, num_labels=n_classes)

input_ids_layer = Input(shape=(args.max_seq_len, ), dtype=np.int32)
input_mask_layer = Input(shape=(args.max_seq_len, ), dtype=np.int32)
input_token_type_layer = Input(shape=(args.max_seq_len,), dtype=np.int32)

bert_layer = model([input_ids_layer, input_mask_layer, input_token_type_layer])[0]
flat_layer = Flatten()(bert_layer)
dropout= Dropout(0.3)(flat_layer)
dense_output = Dense(n_classes, activation='softmax')(dropout)

model_ = Model(inputs=[input_ids_layer, input_mask_layer, input_token_type_layer], outputs=dense_output)

编译和拟合

loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metric = tf.keras.metrics.SparseCategoricalAccuracy('accuracy')
model.compile(optimizer='adam', loss=loss, metrics=[metric])
model.fit(inputs=..., outputs=..., validation_data=..., epochs=50, batch_size = 32, metrics=metric, verbose=1)


Epoch 32/50
1401/1401 [==============================] - 42s 30ms/sample - loss: 1.6103 - accuracy: 0.2327 - val_loss: 1.6042 -
 val_accuracy: 0.2308

因为我使用的是 BERT，所以只需要几个 epoch，所以我期望在 32 个 epoch 之后会有比 23% 高得多的东西。

Answer 1

主要问题出在这一行： ids = inputs[0][1] 。 实际上，id 是inputs[0]的第一个元素； 所以应该是ids = inputs[0][0] 。

但是还有另一个问题可能导致验证精度不一致：您应该只拟合一次LabelEncoder来构造 label 映射； 所以你应该在验证标签上使用transform方法，而不是fit_transform 。

此外，不要同时使用softmax激活和from_logits=True损失 function； 只使用其中任何一个（有关更多信息，请参见此处）。

另一点是您可能需要为优化器使用较低的学习率。 Adam 优化器的默认学习率为 1e-3，考虑到您正在微调预训练的 model ，这可能太高了。 尝试较低的学习率，比如 1e-4 或 1e-5； 例如tf.keras.optimizers.Adam(learning_rate=1e-4) 。 对预训练的 model 进行微调的高学习率可能会破坏学习的权重并扰乱微调过程（由于生成的梯度值很大，尤其是在微调过程开始时）。

Answer 2

我不确定我是否理解您的所有步骤，尤其是使用标记器。 我不知道问题可能出在哪里，但可以做到这一点是一种更容易的方法。 Higgungface 转换器为您提供了一些简单的文本分类解决方案：

model = TFBertForSequenceClassification.from_pretrained('bert-base-cased')

还有一些 function 以 model 预期的格式放置数据：

glue_convert_examples_to_features

您需要深入了解文档以查看您可以设置的所有参数，例如类的数量、用于预处理的粘合任务的类型......

您可以在下面找到一些示例： https://pypi.org/project/transformers/