keras bert 文本分类实战（学习）
1 .目标
- 对给出的数据集，判断给出的text，属于什么类型。
数据集：
2.数据处理
将文本（text）和标签（label）转成计算机可以识别的数字。
- 首先读取数据，将数据打乱
- 对label ：将label转化为数字对应的数字，并保存
例如：
-
构建全部的数据集，变成 [（text1，lable1）,(text2，lable2）…]的形式
例如：
-
划分训练集和验证集
-
接下来处理text部分，需要将text部分处理成为计算机可以识别的数字，根据bert给的词典进行映射到对应id
(1) 根据bert给的词典建立 词典字典（词到id的映射）
# 将词表中的词编号转换为字典
tokenDict = {}
with codecs.open(vocabPath, 'r', encoding='utf-8') as reader:
for line in reader:
token = line.strip()
tokenDict[token] = len(tokenDict)
(2) 对分词器进行重新编写
这是苏神的解读：
- 本来 Tokenizer 有自己的 _tokenize 方法，我这里重写了这个方法，是要保证 tokenize 之后的结果，跟原来的字符串长度等长（如果算上两个标记，那么就是等长再加 2）。 Tokenizer 自带的 _tokenize 会自动去掉空格，然后有些字符会粘在一块输出，导致 tokenize 之后的列表不等于原来字符串的长度了，这样如果做序列标注的任务会很麻烦。主要就是用 [unused1] 来表示空格类字符，而其余的不在列表的字符用 [UNK] 表示，其中 [unused*] 这些标记是未经训练的（随即初始化），是 Bert 预留出来用来增量添加词汇的标记，所以我们可以用它们来指代任何新字符。
class OurTokenizer(Tokenizer):
def _tokenize(self, content):
reList = []
for t in content: # 对内容遍历
if t in self._token_dict:
reList.append(t)
elif self._is_space(t):
# 用[unused1]来表示空格类字符
reList.append('[unused1]')
else:
# 不在列表的字符用[UNK]表示
reList.append('[UNK]')
return reList
（3）对text进行编码，使用 data_generator生成器逐批生成数据（[X1,X2],Y），并且对数据进行padding=0，使一个batchsize中的句子长度等长。
def seqPadding(X, padding=0): #充填
L = [len(x) for x in X]
ML = max(L)
return np.array([np.concatenate([x, [padding] * (ML - len(x))]) if len(x) < ML else x for x in X])
class data_generator:
def __init__(self, data, batch_size=32, shuffle=True):
self.data = data
self.batch_size = batch_size
self.shuffle = shuffle
self.steps = len(self.data) // self.batch_size
if len(self.data) % self.batch_size != 0:
self.steps += 1
def __len__(self):
return self.steps
def __iter__(self):
while True:
idxs = list(range(len(self.data)))
if self.shuffle:
np.random.shuffle(idxs)
X1, X2, Y = [], [], []
for i in idxs:
d = self.data[i]
text = d[0][:maxlen]
x1, x2 = tokenizer.encode(first=text)
y = d[1]
X1.append(x1)
X2.append(x2)
Y.append([y])
if len(X1) == self.batch_size or i == idxs[-1]: #等于一个bachsize或者 到了最后一条样本
X1 = seqPadding(X1)
X2 = seqPadding(X2)
Y = seqPadding(Y)
yield [X1, X2], Y #yield就是 return 返回一个值，并且记住这个返回的位置，下次迭代就从这个位置后开始
[X1, X2, Y] = [], [], []
例如：
3.模型构建
- 将text通过bert编码，取bert编码后cls（汇集了句子的语义信息），将其喂入一个线性层，输出为15个单元，并通过softmax得到对应的类别概率。
- 简要图
模型构造和训练：
# bert模型设置
bert_model = load_trained_model_from_checkpoint(configPath, ckpPath, seq_len=None) # 加载预训练模型
for l in bert_model.layers:
l.trainable = True
x1_in = Input(shape=(None,))
x2_in = Input(shape=(None,))
x = bert_model([x1_in, x2_in])
# 取出[CLS]对应的向量用来做分类
x = Lambda(lambda x: x[:, 0])(x)
p = Dense(15, activation='softmax')(x)
model = Model([x1_in, x2_in], p)
model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam(1e-5), metrics=['accuracy'])
model.summary()
train_D = data_generator(train_data)
valid_D = data_generator(valid_data)
model.fit_generator(train_D.__iter__(), steps_per_epoch=len(train_D), epochs=5, validation_data=valid_D.__iter__(),
validation_steps=len(valid_D))
4.预测
#测试的数据集
str1 = "上港主场1-2负于国安，遭遇联赛两连败，上港到底输在哪？"
str2 = "普京总统会见了拜登总统"
str3 = "这3辆10万出头小钢炮，随便改改轻松秒奔驰，第一辆还是限量款"
predict_D = data_generator([(str1, 0), (str2, 3), (str3, 10)], shuffle=False)
#获取总的标签类别
#array(['体育', '军事', '农业', '国际', '娱乐', '房产', '教育', '文化', '旅游', '民生故事', '汽车','电竞游戏', '科技', '证券股票', '财经'], dtype=object)
output_label2id_file = os.path.join(mainPath, "model/keras_class/label2id.pkl")
if os.path.exists(output_label2id_file):
with open(output_label2id_file, 'rb') as w:
labes = pickle.load(w)
#加载保存的模型
from keras_bert import get_custom_objects
custom_objects = get_custom_objects()
model = load_model(mainPath + 'model/keras_class/tnews.h5', custom_objects=custom_objects)
#使用生成器获取测试的数据
tmpData = predict_D.__iter__()
#预测
preds = model.predict_generator(tmpData, steps=len(predict_D), verbose=1)
# 求每行最大值得下标，其中，axis=1表示按行计算
index_maxs = np.argmax(preds, axis=1)
result = [(x, labes[x]) for x in index_maxs]
print(result)
预测结果：str1:体育，str2:国际，str3：汽车
下面是训练的总代码：
import pickle
from keras_bert import load_trained_model_from_checkpoint, Tokenizer
from keras.layers import *
from keras.models import Model
from keras.optimizers import Adam
from sklearn.preprocessing import LabelEncoder
from sklearn.utils import shuffle
from keras.utils.vis_utils import plot_model
import codecs, gc
import keras.backend as K
import os
import pandas as pd
import numpy as np
# 文件主路径定义
mainPath = 'D:/project/建行杯/舆情舆论/keras_bert文本分类实例/'
# 从文件中读取数据，获取训练集和验证集
rc = pd.read_csv(mainPath + 'data/tnews/toutiao_news_dataset.txt', delimiter="_!_", names=['labels', 'text'],
header=None, encoding='utf-8') #delimiter
rc = shuffle(rc) # shuffle数据，打乱
# 把类别转换为数字
# 一共15个类别："教育","科技","军事","旅游","国际","证券股票","农业","电竞游戏"，
# "民生故事","文化","娱乐","体育","财经","房产","汽车"
class_le = LabelEncoder()
rc.iloc[:, 0] = class_le.fit_transform(rc.iloc[:, 0].values)
# 保存标签文件
output_label2id_file = os.path.join(mainPath, "model/keras_class/label2id.pkl")
if not os.path.exists(output_label2id_file):
with open(output_label2id_file, 'wb') as w:
pickle.dump(class_le.classes_, w)
# 构建全部所需数据集
data_list = []
for d in rc.iloc[:].itertuples():
data_list.append((d.text, d.labels))
# 取一部分数据做训练和验证
train_data = data_list[0:20000]
valid_data = data_list[20000:22000]
maxlen = 100 # 设置序列长度为100，要保证序列长度不超过512
# 设置预训练模型
configPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_config.json'
ckpPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/bert_model.ckpt'
vocabPath = mainPath + 'chinese_roberta_wwm_ext_L-12_H-768_A-12/vocab.txt'
# 将词表中的词编号转换为字典
tokenDict = {}
with codecs.open(vocabPath, 'r', encoding='utf-8') as reader:
for line in reader:
token = line.strip()
tokenDict[token] = len(tokenDict)
# 重写tokenizer
class OurTokenizer(Tokenizer):
def _tokenize(self, content):
reList = []
for t in content:
if t in self._token_dict:
reList.append(t)
elif self._is_space(t):
# 用[unused1]来表示空格类字符
reList.append('[unused1]')
else:
# 不在列表的字符用[UNK]表示
reList.append('[UNK]')
return reList
tokenizer = OurTokenizer(tokenDict)
def seqPadding(X, padding=0):
L = [len(x) for x in X]
ML = max(L)
return np.array([np.concatenate([x, [padding] * (ML - len(x))]) if len(x) < ML else x for x in X])
class data_generator: #先将数据变成元组的形式在喂入生成器
def __init__(self, data, batch_size=32, shuffle=True):
self.data = data
self.batch_size = batch_size
self.shuffle = shuffle
self.steps = len(self.data) // self.batch_size
if len(self.data) % self.batch_size != 0:
self.steps += 1
def __len__(self):
return self.steps
def __iter__(self):
while True:
idxs = list(range(len(self.data)))
if self.shuffle:
np.random.shuffle(idxs)
X1, X2, Y = [], [], []
for i in idxs:
d = self.data[i]
text = d[0][:maxlen]
x1, x2 = tokenizer.encode(first=text)
y = d[1]
X1.append(x1)
X2.append(x2)
Y.append([y])
if len(X1) == self.batch_size or i == idxs[-1]:
X1 = seqPadding(X1)
X2 = seqPadding(X2)
Y = seqPadding(Y)
yield [X1, X2], Y
[X1, X2, Y] = [], [], []
# bert模型设置
bert_model = load_trained_model_from_checkpoint(configPath, ckpPath, seq_len=None) # 加载预训练模型
for l in bert_model.layers:
l.trainable = True
x1_in = Input(shape=(None,))
x2_in = Input(shape=(None,))
x = bert_model([x1_in, x2_in])
# 取出[CLS]对应的向量用来做分类
x = Lambda(lambda x: x[:, 0])(x)
p = Dense(15, activation='softmax')(x)
model = Model([x1_in, x2_in], p)
model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam(1e-5), metrics=['accuracy'])
model.summary()
train_D = data_generator(train_data)
valid_D = data_generator(valid_data)
model.fit_generator(train_D.__iter__(), steps_per_epoch=len(train_D), epochs=5, validation_data=valid_D.__iter__(),
validation_steps=len(valid_D))
model.save(mainPath + 'model/keras_class/tnews.h5', True, True)
# 保存模型结构图
plot_model(model, to_file='model/keras_class/tnews.png', show_shapes=True)
del model
# 清理内存
gc.collect()
# clear_session就是清除一个session
K.clear_session()
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
THE END
二维码