当前，在BERT等预训练模型的基础上进行微调已经成了NLP任务的一个定式了。为了了解BERT怎么用，在这次实践中，我实现了一个最简单的NLP任务，即文本情感分类。

文章目录

1.基于BERT进行情感分类的基本思路2.数据集准备3.数据预处理4.数据处理成dataSet5.模型的搭建6.模型的训练

1.基于BERT进行情感分类的基本思路

所谓情感分类就是指判断句子是积极情感还是消极情感，例如说“今天这顿饭太美味了”是积极的情感，“今天这顿饭简直吃不下去”是消极的情感。

基于BERT完成情感分类的基本思路如图所示。我们知道BERT是一个预训练模型，我们把句子扔给它的时候，它对应每个字都会输出一个向量。但是在把句子扔给BERT之前，我们会在句子最前面增加一个特殊符号[CLS]。对应这个[CLS]，BERT也会输出一个向量，我们就是利用这个向量来进行情感分类。为什么可以直接利用这个向量呢？这是因为BERT内部采用的是自注意力机制，自注意力机制的特点是考虑全局又聚焦重点，实际上[CLS]对应的向量已经嵌入了整个句子的信息，而且重点词字嵌入的信息权重要大。所以，我们将这个向量扔给一个全连接层，就可以完成分类任务了。由于BERT已经是一个预训练模型了，我们在做情感分类时可以将BERT的参数固定住，不再调整，而只是调整全连接层的参数，我在这次实践中就是这么做的。当然也可以同时调整BERT和全连接层的参数，但是BERT模型较大，消耗的时间会长一些。

2.数据集准备

我在网上下了一个数据集（点击可下载，提取码为zfh3），csv格式的，包含两列，一列是句子，一列是标签，如下图所示。我才这个数据集应该是来自大众点评。。。，数据里面标签为0的时候表示是消极的情感，标签为1时表示的是积极的情感。这个数据集总共有11987行，由于我用的是CPU电脑，速度实在太慢，所以我只用了200条数据，其中150条数据用于训练，50条数据用于测试。

3.数据预处理

利用BERT实现情感分类的关键就是要把数据处理成BERT需要的输入形式。BERT的输入包括三个部分：第一个部分是句子中每个字对应的id，我们用input_ids表示，这个id需要用到BERT的字库，字库里面每个字所排的次序就是id。第二个部分是mask，我们用input_mask表示，假设我们设置BERT输入的句子最大长度是128，如果我们的句子长度是100，那么mask前100个填1，后面28个填0。第三部分是句子标识符id，我们用segment_ids表示，如果第一句全为0，如果是第二句全为1，以此类推，由于情感分类只涉及到一个句子，所以该标识符都是0。

将一个句子处理成上面这样的输入，要经过两步，第一步是对句子进行分词，在英文里面叫做“tokenize”，分词后的结果称为“tokens”。对于中文来说，分词后的结果很简单，就是一个一个的字。完成该项工作可以使用tokenizer.tokenize(text)。下图分词的一个示例。

完成分词后，第二步要将tokens转换成id，对于中文来说，就是把一个一个的字转换成字对应的id。此外呢，还要获取input_mask和segment_ids。实现该步骤可以使用tokenizer.encode_plus(）。下图是一个示例，第二个参数max_seq_length是指BERT输入句子的最大长度。

下面是数据预处理的代码，保存在dataProcessor.py文件中。

import pandas as pdimport osimport logginglogging.basicConfig(format='%(asctime)s - %(levelname)s - %(name)s - %(message)s',datefmt='%m/%d/%Y %H:%M:%S',level=logging.INFO)logger = logging.getLogger(__name__)class InputExample(object):"""A single training/test example for simple sequence classification."""def __init__(self, text, label=None):self.text = textself.label = labelclass InputFeatures(object):"""A single set of features of data."""def __init__(self, input_ids, input_mask, segment_ids, label_id):self.input_ids = input_idsself.input_mask = input_maskself.segment_ids = segment_idsself.label_id = label_idclass DataProcessor(object):"""Base class for data converters for sequence classification data sets."""def get_train_examples(self, data_dir):"""Gets a collection of `InputExample`s for the train set."""raise NotImplementedError()def get_dev_examples(self, data_dir):"""Gets a collection of `InputExample`s for the dev set."""raise NotImplementedError()def get_test_examples(self, data_dir):"""Gets a collection of `InputExample`s for the test set."""raise NotImplementedError()def get_labels(self):"""Gets the list of labels for this data set."""raise NotImplementedError()@classmethoddef _read_csv(cls, input_file, quotechar=None):"""Reads a tab separated value file."""# dicts = []data = pd.read_csv(input_file)return dataclass MyPro(DataProcessor):'''自定义数据读取方法，针对json文件Returns:examples: 数据集，包含index、中文文本、类别三个部分'''def get_train_examples(self, data_dir):return self._create_examples(self._read_csv(os.path.join(data_dir, 'train_data.csv')), 'train')def get_dev_examples(self, data_dir):return self._create_examples(self._read_csv(os.path.join(data_dir, 'dev_data.csv')), 'dev')def get_test_examples(self, data_dir):return self._create_examples(self._read_csv(os.path.join(data_dir, 'test_data.csv')), 'test')def get_labels(self):return [0, 1]def _create_examples(self, data, set_type):examples = []for index, row in data.iterrows():# guid = "%s-%s" % (set_type, i)text = row['review']label = row['label']examples.append(InputExample(text=text, label=label))return examplesdef convert_examples_to_features(examples, label_list, max_seq_length, tokenizer, show_exp=True):'''Loads a data file into a list of `InputBatch`s.Args:examples: [List] 输入样本，句子和labellabel_list : [List] 所有可能的类别，0和1max_seq_length: [int] 文本最大长度tokenizer: [Method] 分词方法Returns:features:input_ids : [ListOf] token的id，在chinese模式中就是每个分词的id，对应一个word vectorinput_mask : [ListOfInt] 真实字符对应1，补全字符对应0segment_ids: [ListOfInt] 句子标识符，第一句全为0，第二句全为1label_id : [ListOfInt] 将Label_list转化为相应的id表示'''label_map = {}for (i, label) in enumerate(label_list):label_map[label] = ifeatures = []for (ex_index, example) in enumerate(examples):# 分词tokens = tokenizer.tokenize(example.text)# tokens进行编码encode_dict = tokenizer.encode_plus(text=tokens,max_length=max_seq_length,pad_to_max_length=True,is_pretokenized=True,return_token_type_ids=True,return_attention_mask=True)input_ids = encode_dict['input_ids']input_mask = encode_dict['attention_mask']segment_ids = encode_dict['token_type_ids']assert len(input_ids) == max_seq_lengthassert len(input_mask) == max_seq_lengthassert len(segment_ids) == max_seq_lengthlabel_id = label_map[example.label]if ex_index < 5 and show_exp:logger.info("*** Example ***")logger.info("tokens: %s" % " ".join([str(x) for x in tokens]))logger.info("input_ids: %s" % " ".join([str(x) for x in input_ids]))logger.info("input_mask: %s" % " ".join([str(x) for x in input_mask]))logger.info("segment_ids: %s" % " ".join([str(x) for x in segment_ids]))logger.info("label: %s (id = %d)" % (example.label, label_id))features.append(InputFeatures(input_ids=input_ids,input_mask=input_mask,segment_ids=segment_ids,label_id=label_id))return features

4.数据处理成dataSet

数据处理成dataSet的核心就是把BERT模型的输入处理成tensor格式，下面是代码，保存在dataset.py文件中

import torchfrom torch.utils.data import Datasetclass MyDataset(Dataset):def __init__(self, features, mode):self.nums = len(features)self.input_ids = [torch.tensor(example.input_ids).long() for example in features]self.input_mask = [torch.tensor(example.input_mask).float() for example in features]self.segment_ids = [torch.tensor(example.segment_ids).long() for example in features]self.label_id = Noneif mode == 'train' or 'test':self.label_id = [torch.tensor(example.label_id) for example in features]def __getitem__(self, index):data = {'input_ids': self.input_ids[index],'input_mask': self.input_mask[index],'segment_ids': self.segment_ids[index]}if self.label_id is not None:data['label_id'] = self.label_id[index]return datadef __len__(self):return self.nums

5.模型的搭建

模型的搭建很简单，模型的第一层是BERT，将BERT输出的第一个向量，即[CLS]对应的向量，传递给一个线性层，该线性层作为一个分类器输出维度为2的向量。BERT模型会有两个输出：一个输出是序列输出，即句子的每一个字都输出一个向量，叫做seq_out，这个输出一般用于实体识别等句子标注任务；另一个输出是pooled_out，即[CLS]对应的向量，这个输出一般用于句子分类。我们用pooled_out这个输出。这里我把BERT的参数冻结住了，只调整线性层的参数，所以用x = pooled_out.detach()对反向传播进行截断。下面是模型搭建的代码，

from torch import nnimport osfrom transformers import BertModelclass ClassifierModel(nn.Module):def __init__(self,bert_dir,dropout_prob=0.1):super(ClassifierModel, self).__init__()config_path = os.path.join(bert_dir, 'config.json')assert os.path.exists(bert_dir) and os.path.exists(config_path), \'pretrained bert file does not exist'self.bert_module = BertModel.from_pretrained(bert_dir)self.bert_config = self.bert_module.configself.dropout_layer = nn.Dropout(dropout_prob)out_dims = self.bert_config.hidden_sizeself.obj_classifier = nn.Linear(out_dims, 2)def forward(self,input_ids,input_mask,segment_ids,label_id=None):bert_outputs = self.bert_module(input_ids=input_ids,attention_mask=input_mask,token_type_ids=segment_ids)seq_out, pooled_out = bert_outputs[0], bert_outputs[1]#对反向传播及逆行截断x = pooled_out.detach()out = self.obj_classifier(x)return out

6.模型的训练

from torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriterfrom model import *from dataset import *from dataProcessor import *import matplotlib.pyplot as pltimport timefrom transformers import BertTokenizerfrom transformers import logginglogging.set_verbosity_warning()# 加载训练数据datadir = "data"bert_dir = "bert\\bert-chinese"my_processor = MyPro()label_list = my_processor.get_labels()train_data = my_processor.get_train_examples(datadir)test_data = my_processor.get_test_examples(datadir)tokenizer = BertTokenizer.from_pretrained(bert_dir)train_features = convert_examples_to_features(train_data, label_list, 128, tokenizer)test_features = convert_examples_to_features(test_data, label_list, 128, tokenizer)train_dataset = MyDataset(train_features, 'train')test_dataset = MyDataset(test_features, 'test')train_data_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)test_data_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=True)train_data_len = len(train_dataset)test_data_len = len(test_dataset)print(f"训练集长度：{train_data_len}")print(f"测试集长度：{test_data_len}")# 创建网络模型my_model = ClassifierModel(bert_dir)# 损失函数loss_fn = nn.CrossEntropyLoss()# 优化器learning_rate = 5e-3#optimizer = torch.optim.SGD(my_model.parameters(), lr=learning_rate)# Adam 参数betas=(0.9, 0.99)optimizer = torch.optim.Adam(my_model.parameters(), lr=learning_rate, betas=(0.9, 0.99))# 总共的训练步数total_train_step = 0# 总共的测试步数total_test_step = 0step = 0epoch = 50writer = SummaryWriter("logs")# writer.add_graph(myModel, input_to_model=myTrainDataLoader[1], verbose=False)# writer.add_graph(myModel)train_loss_his = []train_totalaccuracy_his = []test_totalloss_his = []test_totalaccuracy_his = []start_time = time.time()my_model.train()for i in range(epoch):print(f"-------第{i}轮训练开始-------")train_total_accuracy = 0for step, batch_data in enumerate(train_data_loader):# writer.add_images("tarin_data", imgs, total_train_step)print(batch_data['input_ids'].shape)output = my_model(**batch_data)loss = loss_fn(output, batch_data['label_id'])train_accuracy = (output.argmax(1) == batch_data['label_id']).sum()train_total_accuracy = train_total_accuracy + train_accuracyoptimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1train_loss_his.append(loss)writer.add_scalar("train_loss", loss.item(), total_train_step)train_total_accuracy = train_total_accuracy / train_data_lenprint(f"训练集上的准确率：{train_total_accuracy}")train_totalaccuracy_his.append(train_total_accuracy)# 测试开始total_test_loss = 0my_model.eval()test_total_accuracy = 0with torch.no_grad():for batch_data in test_data_loader:output = my_model(**batch_data)loss = loss_fn(output, batch_data['label_id'])total_test_loss = total_test_loss + losstest_accuracy = (output.argmax(1) == batch_data['label_id']).sum()test_total_accuracy = test_total_accuracy + test_accuracytest_total_accuracy = test_total_accuracy / test_data_lenprint(f"测试集上的准确率：{test_total_accuracy}")print(f"测试集上的loss：{total_test_loss}")test_totalloss_his.append(total_test_loss)test_totalaccuracy_his.append(test_total_accuracy)writer.add_scalar("test_loss", total_test_loss.item(), i)# for parameters in myModel.parameters():# print(parameters)end_time = time.time()total_train_time = end_time-start_timeprint(f'训练时间: {total_train_time}秒')writer.close()plt.plot(train_loss_his, label='Train Loss')plt.legend(loc='best')plt.xlabel('Steps')plt.show()plt.plot(test_totalloss_his, label='Test Loss')plt.legend(loc='best')plt.xlabel('Steps')plt.show()plt.plot(train_totalaccuracy_his, label='Train accuracy')plt.plot(test_totalaccuracy_his, label='Test accuracy')plt.legend(loc='best')plt.xlabel('Steps')plt.show()

尽管只用了150个数据，但是训练效果还是不错的，训练准确度达到了90%以上，测试准确度在85%以上。