标签：Roberta cur 情感 mask ids len 微博 token types
概览：
情感分析是NLP中一大分支，本文尝试使用预训练模型（Roberta-wwm-ext）对微博通用数据进行情感分类，共六种类别（积极、愤怒、悲伤、恐惧、惊奇、无情绪）。数据来源：SMP2020微博情绪分类评测
该评测任务中涉及通用数据和疫情数据，本文只使用通用数据。
本文着重展示利用预训练模型在torch环境下进行情感分析的pipeline，弱化提升模型本身精度的探索。
数据介绍：
训练集：27,768条；测试集：5,000条
下载链接 提取码：q2f8
数据格式如下图：id是编号；content为文本内容；label是情绪
模型训练：
本文基于HuggingFace开源的Transformers（Torch版本）实现。
主要库版本：Transformers == 2.2.2 torch == 1.5.0
（1）加载预训练模型（模型：RoBERTa-wwm-ext，下载链接 提取码：369y）
class Model(nn.Module):
def __init__(self, num_classes):
super(Model, self).__init__()
self.bert = BertModel.from_pretrained('chinese_wwm_ext_pytorch') # /roberta-wwm-ext pretrain/
for param in self.bert.parameters():
param.requires_grad = True # 所有参数求梯度
self.fc = nn.Linear(768, num_classes) # 768 -> 6
def forward(self, x, token_type_ids, attention_mask):
context = x # 输入的句子
types = token_type_ids
mask = attention_mask # 对padding部分进行mask，和句子相同size，padding部分用0表示，如：[1, 1, 1, 1, 0, 0]
_, pooled = self.bert(context, token_type_ids=types, attention_mask=mask)
out = self.fc(pooled) # 得到6分类概率
return out
# 加载模型
MODEL1 = Model(num_classes=6) # 指定分类类别注意：这里需要额外定义一个Model类对BertModel基类的输出进行处理。原因是原始基类返回的是CLS的hidden向量经过一层dense和activation后得到的向量（本文中使用的维度是768），因此还需要一个全连接层转换成每个分类的输出（本文类别数num_classes=6）
（2）构造训练数据和测试数据
Roberta-wwm-ext模型共需要传入三类向量，一是要分类的文本本身的token；二是表征token type的向量，用来表征该位置的文本token是否是PAD产生，非PAD记为0，PAD记为1；三是表示mask标志的向量，PAD位置的mask标记为0，否则为1。关于这三类向量的概念和意义不在本文中展开讨论，请自行检索相关资料。
构造三类向量
# 数据进行token化处理, seq_length表示接受的句子最大长度
def convert_text_to_token(tokenizer, sentence, seq_length):
tokens = tokenizer.tokenize(sentence) # 句子转换成token
tokens = ["[CLS]"] + tokens + ["[SEP]"] # token前后分别加上[CLS]和[SEP]
# 生成 input_id, seg_id, att_mask
ids1 = tokenizer.convert_tokens_to_ids(tokens)
types = [0] * len(ids1)
masks = [1] * len(ids1)
# 句子长度统一化处理：截断或补全至seq_length
if len(ids1) < seq_length: #补全
ids = ids1 + [0] * (seq_length - len(ids1)) #[0]是因为词表中PAD的索引是0
types = types + [1] * (seq_length - len(ids1)) # [1]表明该部分为PAD
masks = masks + [0] * (seq_length - len(ids1)) # PAD部分，attention mask置为[0]
else: # 截断
ids = ids1[:seq_length]
types = types[:seq_length]
masks = masks[:seq_length]
assert len(ids) == len(types) == len(masks)
return ids, types, masks
TOKENIZER = BertTokenizer.from_pretrained("chinese_wwm_ext_pytorch") #模型[roberta-wwm-ext]所在的目录名称注意：（1）这里的Tokenizer使用BertTokenizer，切勿使用RobertaTokenizer（2）seq_length表示构造的训练数据的长度，长则截断，短则补齐。本文中seq_length = 128
构造训练集和测试集的DataLoader
# 构造训练集和测试集的DataLoader
def genDataLoader(is_train):
if is_train: # 构造训练集
path = TRAIN_DATA_PATH
else: # 构造测试集
path = TEST_DATA_PATH
with open(path, encoding='utf8') as f:
data = json.load(f)
ids_pool = []
types_pool = []
masks_pool = []
target_pool = []
count = 0
# 遍历构造每条数据
for each in data:
cur_ids, cur_type, cur_mask = convert_text_to_token(TOKENIZER, each['content'], seq_length = SEQ_LENGTH)
ids_pool.append(cur_ids)
types_pool.append(cur_type)
masks_pool.append(cur_mask)
cur_target = LABEL_DICT[each['label']]
target_pool.append([cur_target])
count += 1
if count % 1000 == 0:
print('已处理{}条'.format(count))
# break
# 构造loader
data_gen = TensorDataset(torch.LongTensor(np.array(ids_pool)),
torch.LongTensor(np.array(types_pool)),
torch.LongTensor(np.array(masks_pool)),
torch.LongTensor(np.array(target_pool)))
# print('shit')
sampler = RandomSampler(data_gen)
loader = DataLoader(data_gen, sampler=sampler, batch_size=BATCH_SIZE)
return loader构造DataLoader是为了训练时能够小批量训练，即每次只feed batch_size个数据
（3）训练
机器配置：两张V100
batch_size：8
可以看到一个epoch耗时大概6min，这里我只训练了3个epoch
注意：训练时每个epoch完成后需要验证一下结果，保存最佳模型，验证代码如下
def test(model, device, test_loader): # 测试模型, 得到测试集评估结果
model.eval()
test_loss = 0.0
acc = 0
for (x1, x2, x3, y) in tqdm(test_loader):
x1, x2, x3, y = x1.to(device), x2.to(device), x3.to(device), y.to(device)
with torch.no_grad():
y_ = model(x1, token_type_ids=x2, attention_mask=x3)
test_loss += F.cross_entropy(y_, y.squeeze())
pred = y_.max(-1, keepdim=True)[1] # .max(): 2输出，分别为最大值和最大值的index
acc += pred.eq(y.view_as(pred)).sum().item() # 记得加item()
test_loss /= len(test_loader)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.2f}%)'.format(
test_loss, acc, len(test_loader.dataset),
100. * acc / len(test_loader.dataset)))
return acc / len(test_loader.dataset)（4）测试
训练完后进行效果测试，测试代码如下
def test(model):
with open('data/usual_test_labeled.txt', encoding='utf8') as f:
data = json.load(f)
res = []
correct = 0
count = 0
for each in data:
cur_sentence = each['content']
cur_label = each['label']
ids = []
types = []
masks = []
cur_ids, cur_type, cur_mask = convert_text_to_token(TOKENIZER, each['content'], seq_length=SEQ_LENGTH)
ids.append(cur_ids)
types.append(cur_type)
masks.append(cur_mask)
cur_ids, cur_type, cur_mask = torch.LongTensor(np.array(ids)).to(DEVICE), torch.LongTensor(np.array(types)).to(DEVICE), torch.LongTensor(np.array(masks)).to(DEVICE) # 数据构造成tensor形式
with torch.no_grad():
y_ = model(cur_ids, token_type_ids=cur_type, attention_mask=cur_mask)
pred = y_.max(-1, keepdim=True)[1] # 取最大值
cur_pre = LABEL_DICT[int(pred[0][0].cuda().data.cpu().numpy())] # 预测的情绪
if cur_label == cur_pre:
correct += 1
cur_res = cur_sentence + '\t' + cur_label + '\t' + cur_pre
res.append(cur_res)
count += 1
if count % 1000 == 0:
print('已处理{}条'.format(count))
accu = correct / len(data)
print('accu是{}'.format(accu))
with open('test_result.txt', 'w', encoding='utf8') as f:
for each in res:
f.write(each+'\n')注意：测试时需要先加载原始roberta-wwm-ext模型，然后使用load_state_dict方法读入训练3个epoch后的模型参数。
测试结果演示
计算后，总体精度为78.02%，这里展示20条测试结果。第一列为待测试内容，第二列是真实的情感标签，第三列是模型预测的情感标签。初步认为这个可以当做一个base模型了。
写在后面：
（1）个人认为HuggingFace开源的Transformers比较成功，作为一个初创公司，值得国内同行学习
（2）完整代码 提取码：lncz
使用方法：
训练： python train.py
测试：python testCase.py
参考文献
（2）https://github.com/ymcui/Chinese-BERT-wwm
标签：Roberta,cur,情感,mask,ids,len,微博,token,types 来源： https://blog.csdn.net/dipizhong7224/article/details/113994281
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。