Bert的使用

一、Data.py

#  data负责产生两个dataloader
from torch.utils.data import DataLoader, Dataset
from sklearn.model_selection import train_test_split   #给X,Y 和分割比例， 分割出来一个训练集和验证机的X, Y
import torchdef read_file(path):data = []label = []with open(path, "r", encoding="utf-8") as f:for i, line in enumerate(f):if i == 0:continueif i > 200 and i< 7500:continueline = line.strip("\n")line = line.split(",", 1)  #把这句话，按照，分割， 1表示分割次数data.append(line[1])label.append(line[0])print("读了%d的数据"%len(data))return data, label# file = "../jiudian.txt"
# read_file(file)
class jdDataset(Dataset):def __init__(self, data, label):self.X = dataself.Y = torch.LongTensor([int(i) for i in label])def __getitem__(self, item):return self.X[item], self.Y[item]def __len__(self):return len(self.Y)def get_data_loader(path, batchsize, val_size=0.2):          #读入数据，分割数据。data, label = read_file(path)train_x, val_x, train_y, val_y = train_test_split(data, label, test_size=val_size, shuffle=True, stratify=label)train_set = jdDataset(train_x, train_y)val_set = jdDataset(val_x, val_y)train_loader = DataLoader(train_set, batchsize, shuffle=True)val_loader = DataLoader(val_set, batchsize, shuffle=True)return train_loader, val_loaderif __name__ == "__main__":get_data_loader("../jiudian.txt", 2)

代码逐行解释

导入必要的库

from torch.utils.data import DataLoader, Dataset
from sklearn.model_selection import train_test_split   # 给X, Y 和分割比例， 分割出来一个训练集和验证集的X, Y
import torch

• DataLoader 和 Dataset：来自 torch.utils.data，用于创建数据加载器和自定义数据集。
• train_test_split：来自 sklearn.model_selection，用于将数据集划分为训练集和验证集。
• torch：PyTorch 的核心库，用于深度学习模型的构建和训练。

定义读取文件的函数

def read_file(path):data = []label = []with open(path, "r", encoding="utf-8") as f:for i, line in enumerate(f):if i == 0:continueif i > 200 and i < 7500:continueline = line.strip("\n")line = line.split(",", 1)  # 把这句话，按照逗号分割， 1表示分割次数data.append(line[1])label.append(line[0])print("读了%d的数据" % len(data))return data, label

• read_file 函数：
  • 打开指定路径的文件并读取每一行。
  • 跳过第一行（假设是表头）。
  • 忽略第201到7499行的数据。
  • 使用 strip("\n") 去除每行末尾的换行符。
  • 使用 split(",", 1) 按照第一个逗号分割每行数据，生成包含两个元素的列表。
  • 将分割后的第二个元素（即文本数据）添加到 data 列表中，第一个元素（即标签）添加到 label 列表中。
  • 打印读取的数据条数，并返回 data 和 label。

自定义数据集类

class jdDataset(Dataset):def __init__(self, data, label):self.X = dataself.Y = torch.LongTensor([int(i) for i in label])def __getitem__(self, item):return self.X[item], self.Y[item]def __len__(self):return len(self.Y)

• jdDataset 类：
  • 继承自 torch.utils.data.Dataset。
  • 在 __init__ 方法中初始化 self.X 和 self.Y，其中 self.Y 是将标签转换为 torch.LongTensor 类型。
  • __getitem__ 方法用于根据索引获取数据项，返回对应的文本数据和标签。
  • __len__ 方法返回数据集的长度。

生成数据加载器

def get_data_loader(path, batchsize, val_size=0.2):  # 读入数据，分割数据data, label = read_file(path)train_x, val_x, train_y, val_y = train_test_split(data, label, test_size=val_size, shuffle=True, stratify=label)train_set = jdDataset(train_x, train_y)val_set = jdDataset(val_x, val_y)train_loader = DataLoader(train_set, batchsize, shuffle=True)val_loader = DataLoader(val_set, batchsize, shuffle=True)return train_loader, val_loader

• get_data_loader 函数：
  • 调用 read_file 函数读取数据并获得 data 和 label。
  • 使用 train_test_split 函数将数据集划分为训练集和验证集。参数包括：
    • test_size: 验证集的比例，默认为0.2。
    • shuffle: 是否在分割前打乱数据，默认为 True。
    • stratify: 根据标签进行分层抽样，确保训练集和验证集中的标签分布一致。
  • 创建 jdDataset 实例 train_set 和 val_set。
  • 使用 DataLoader 创建训练集和验证集的数据加载器。训练集的数据加载器设置为 shuffle=True，以便每次迭代时打乱数据顺序；验证集的数据加载器也设置为 shuffle=True，但在实际应用中通常不需要打乱验证集的数据顺序。
  • 返回训练集和验证集的数据加载器。

主程序入口

if __name__ == "__main__":get_data_loader("../jiudian.txt", 2)

• 主程序入口：
  • 当脚本作为主程序运行时，调用 get_data_loader 函数读取路径为 "../jiudian.txt" 的文件，并生成批量大小为2的数据加载器。

详细步骤说明

1. 读取文件：

   • read_file 函数负责从指定路径读取文件内容，并跳过某些特定行（如第一行和第201到7499行），然后将剩余的有效行按逗号分割为标签和文本数据，分别存储在 data 和 label 列表中。

2. 创建自定义数据集：

   • jdDataset 类继承自 Dataset，实现了 __getitem__ 和 __len__ 方法。它将原始数据和标签封装成一个可被 DataLoader 使用的对象。

3. 数据集划分：

   • get_data_loader 函数使用 train_test_split 将数据集划分为训练集和验证集，并创建相应的 jdDataset 实例。

4. 创建数据加载器：

   • 使用 DataLoader 创建训练集和验证集的数据加载器。训练集的数据加载器设置了 shuffle=True，以便每次迭代时打乱数据顺序；验证集的数据加载器也设置了 shuffle=True，但通常不需要打乱验证集的数据顺序。

示例输出

假设 "../jiudian.txt" 文件的内容如下：

id,label,text
1,0,这是一家不错的酒店。
2,1,房间太小了。
...

执行 get_data_loader("../jiudian.txt", 2) 后，程序将读取文件内容，忽略第一行和第201到7499行的数据，然后将剩余的数据按逗号分割为标签和文本数据，并将其划分为训练集和验证集，最后创建对应的数据加载器。

总结

这段代码的主要功能是从文件中读取数据，将其划分为训练集和验证集，并创建相应的数据加载器。通过这种方式，可以方便地将数据提供给深度学习模型进行训练和验证。

---

二、Model.py

import torch
import torch.nn as nn
from transformers import BertModel, BertTokenizer, BertConfigclass myBertModel(nn.Module):def __init__(self, bert_path, num_class, device):super(myBertModel, self).__init__()self.bert = BertModel.from_pretrained(bert_path)# config = BertConfig.from_pretrained(bert_path)# self.bert = BertModel(config)self.device = deviceself.cls_head = nn.Linear(768, num_class)self.tokenizer = BertTokenizer.from_pretrained(bert_path)def forward(self, text):input = self.tokenizer(text, return_tensors="pt", truncation=True, padding="max_length", max_length=128)input_ids = input["input_ids"].to(self.device)token_type_ids = input['token_type_ids'].to(self.device)attention_mask = input['attention_mask'].to(self.device)sequence_out, pooler_out = self.bert(input_ids=input_ids,token_type_ids=token_type_ids,attention_mask=attention_mask,return_dict=False)      #return_dictpred = self.cls_head(pooler_out)return predif __name__ == "__main__":model = myBertModel("../bert-base-chinese", 2)pred = model("今天天气真好")

代码逐行解释

导入必要的库

import torch
import torch.nn as nn
from transformers import BertModel, BertTokenizer, BertConfig

• torch 和 torch.nn：PyTorch的核心库，用于构建神经网络。
• BertModel, BertTokenizer, BertConfig：来自 transformers 库，分别用于加载预训练的BERT模型、BERT分词器和BERT配置。

定义自定义BERT模型类

class myBertModel(nn.Module):def __init__(self, bert_path, num_class, device):super(myBertModel, self).__init__()self.bert = BertModel.from_pretrained(bert_path)self.device = deviceself.cls_head = nn.Linear(768, num_class)self.tokenizer = BertTokenizer.from_pretrained(bert_path)

• __init__ 方法：
  • 加载预训练的BERT模型。
  • 初始化设备（device），可以是CPU或GPU。
  • 定义分类头（cls_head），将BERT输出的768维向量映射到指定的类别数。
  • 加载BERT的分词器（tokenizer），用于将输入文本转换为BERT模型所需的输入格式。

    def forward(self, text):input = self.tokenizer(text, return_tensors="pt", truncation=True, padding="max_length", max_length=128)input_ids = input["input_ids"].to(self.device)token_type_ids = input['token_type_ids'].to(self.device)attention_mask = input['attention_mask'].to(self.device)sequence_out, pooler_out = self.bert(input_ids=input_ids,token_type_ids=token_type_ids,attention_mask=attention_mask,return_dict=False)      #return_dictpred = self.cls_head(pooler_out)return pred

• forward 方法：
  • 使用 tokenizer 将输入文本转换为BERT模型所需的输入张量（input_ids, token_type_ids, attention_mask）。
  • 将这些张量移动到指定的设备（CPU或GPU）上。
  • 调用 self.bert 进行前向传播，得到序列输出（sequence_out）和池化输出（pooler_out）。
  • 使用分类头（cls_head）对池化输出进行线性变换，得到最终的预测结果（pred）。

主程序入口

if __name__ == "__main__":model = myBertModel("../bert-base-chinese", 2, "cpu")pred = model("今天天气真好")print(pred)

• 主程序入口：
  • 创建 myBertModel 实例，指定预训练BERT模型路径、类别数和设备。
  • 调用模型进行前向传播，传入一条测试文本 "今天天气真好"，并打印预测结果。

---

三、train.py

import torch
import time
import matplotlib.pyplot as plt
import numpy as np
from tqdm import tqdmdef train_val(para):########################################################model = para['model']train_loader =para['train_loader']val_loader = para['val_loader']scheduler = para['scheduler']optimizer = para['optimizer']loss = para['loss']epoch = para['epoch']device = para['device']save_path = para['save_path']max_acc = para['max_acc']val_epoch = para['val_epoch']#################################################plt_train_loss = []plt_train_acc = []plt_val_loss = []plt_val_acc = []val_rel = []for i in range(epoch):start_time = time.time()model.train()train_loss = 0.0train_acc = 0.0val_acc = 0.0val_loss = 0.0for batch in tqdm(train_loader):model.zero_grad()text, labels = batch[0], batch[1].to(device)pred = model(text)bat_loss = loss(pred, labels)bat_loss.backward()optimizer.step()scheduler.step()              #scheduler     调整学习率optimizer.zero_grad()torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)       #梯度裁切train_loss += bat_loss.item()    #.detach 表示去掉梯度train_acc += np.sum(np.argmax(pred.cpu().data.numpy(),axis=1)== labels.cpu().numpy())plt_train_loss . append(train_loss/train_loader.dataset.__len__())plt_train_acc.append(train_acc/train_loader.dataset.__len__())if i % val_epoch == 0:model.eval()with torch.no_grad():for batch in tqdm(val_loader):val_text, val_labels = batch[0], batch[1].to(device)val_pred = model(val_text)val_bat_loss = loss(val_pred, val_labels)val_loss += val_bat_loss.cpu().item()val_acc += np.sum(np.argmax(val_pred.cpu().data.numpy(), axis=1) == val_labels.cpu().numpy())val_rel.append(val_pred)if val_acc > max_acc:torch.save(model, save_path+str(epoch)+"ckpt")max_acc = val_accplt_val_loss.append(val_loss/val_loader.dataset.__len__())plt_val_acc.append(val_acc/val_loader.dataset.__len__())print('[%03d/%03d] %2.2f sec(s) TrainAcc : %3.6f TrainLoss : %3.6f | valAcc: %3.6f valLoss: %3.6f  ' % \(i, epoch, time.time()-start_time, plt_train_acc[-1], plt_train_loss[-1], plt_val_acc[-1], plt_val_loss[-1]))if i % 50 == 0:torch.save(model, save_path+'-epoch:'+str(i)+ '-%.2f'%plt_val_acc[-1])else:plt_val_loss.append(plt_val_loss[-1])plt_val_acc.append(plt_val_acc[-1])print('[%03d/%03d] %2.2f sec(s) TrainAcc : %3.6f TrainLoss : %3.6f   ' % \(i, epoch, time.time()-start_time, plt_train_acc[-1], plt_train_loss[-1]))plt.plot(plt_train_loss)plt.plot(plt_val_loss)plt.title('loss')plt.legend(['train', 'val'])plt.show()plt.plot(plt_train_acc)plt.plot(plt_val_acc)plt.title('Accuracy')plt.legend(['train', 'val'])plt.savefig('acc.png')plt.show()

这段代码实现了一个完整的训练和验证循环，用于训练一个深度学习模型。它包括训练过程中的损失和准确率记录、模型保存、学习率调整以及结果的可视化。

代码逐行解释

导入必要的库

import torch
import time
import matplotlib.pyplot as plt
import numpy as np
from tqdm import tqdm

• torch：PyTorch的核心库，用于构建和训练神经网络。
• time：用于记录训练时间。
• matplotlib.pyplot：用于绘制训练和验证的损失和准确率曲线。
• numpy：用于数值计算，特别是处理预测结果和标签的比较。
• tqdm：用于显示进度条，方便监控训练过程。

定义训练和验证函数

def train_val(para):

• train_val 函数：接受一个包含所有必要参数的字典 para，并在其中进行训练和验证。

参数解析

    model = para['model']train_loader = para['train_loader']val_loader = para['val_loader']scheduler = para['scheduler']optimizer = para['optimizer']loss = para['loss']epoch = para['epoch']device = para['device']save_path = para['save_path']max_acc = para['max_acc']val_epoch = para['val_epoch']

• model：要训练的模型。
• train_loader 和 val_loader：训练集和验证集的数据加载器。
• scheduler：学习率调度器。
• optimizer：优化器（如Adam、SGD等）。
• loss：损失函数（如交叉熵损失）。
• epoch：训练的总轮数。
• device：设备（CPU或GPU）。
• save_path：模型保存路径。
• max_acc：当前最高的验证准确率。
• val_epoch：每隔多少个epoch进行一次验证。

初始化记录变量

    plt_train_loss = []plt_train_acc = []plt_val_loss = []plt_val_acc = []val_rel = []

• plt_train_loss 和 plt_train_acc：记录每轮训练的损失和准确率。
• plt_val_loss 和 plt_val_acc：记录每轮验证的损失和准确率。
• val_rel：用于存储验证集的预测结果（未在后续代码中使用）。

训练和验证循环

    for i in range(epoch):start_time = time.time()model.train()train_loss = 0.0train_acc = 0.0val_acc = 0.0val_loss = 0.0

• 初始化每轮的损失和准确率：在每个epoch开始时，重置这些变量。

训练阶段

        for batch in tqdm(train_loader):model.zero_grad()text, labels = batch[0], batch[1].to(device)pred = model(text)bat_loss = loss(pred, labels)bat_loss.backward()optimizer.step()scheduler.step()  # 调整学习率optimizer.zero_grad()torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)  # 梯度裁切train_loss += bat_loss.item()train_acc += np.sum(np.argmax(pred.cpu().data.numpy(), axis=1) == labels.cpu().numpy())

• tqdm(train_loader)：显示训练进度条。
• model.zero_grad()：清空之前的梯度。
• text, labels = batch[0], batch[1].to(device)：将数据和标签移动到指定设备。
• pred = model(text)：前向传播得到预测结果。
• bat_loss = loss(pred, labels)：计算损失。
• bat_loss.backward()：反向传播计算梯度。
• optimizer.step()：更新模型参数。
• scheduler.step()：调整学习率（根据调度器）。
• optimizer.zero_grad()：清空梯度（通常在 zero_grad() 之后不需要再次调用）。
• torch.nn.utils.clip_grad_norm_：梯度裁切，防止梯度过大导致训练不稳定。
• train_loss += bat_loss.item()：累加当前批次的损失。
• train_acc += np.sum(np.argmax(pred.cpu().data.numpy(), axis=1) == labels.cpu().numpy())：计算当前批次的准确率。

计算平均损失和准确率并记录

        plt_train_loss.append(train_loss / len(train_loader.dataset))plt_train_acc.append(train_acc / len(train_loader.dataset))

• plt_train_loss.append(...)：记录每轮训练的平均损失。
• plt_train_acc.append(...)：记录每轮训练的平均准确率。

验证阶段

        if i % val_epoch == 0:model.eval()with torch.no_grad():for batch in tqdm(val_loader):val_text, val_labels = batch[0], batch[1].to(device)val_pred = model(val_text)val_bat_loss = loss(val_pred, val_labels)val_loss += val_bat_loss.cpu().item()val_acc += np.sum(np.argmax(val_pred.cpu().data.numpy(), axis=1) == val_labels.cpu().numpy())val_rel.append(val_pred)if val_acc > max_acc:torch.save(model, save_path + str(epoch) + "ckpt")max_acc = val_accplt_val_loss.append(val_loss / len(val_loader.dataset))plt_val_acc.append(val_acc / len(val_loader.dataset))print('[%03d/%03d] %2.2f sec(s) TrainAcc : %3.6f TrainLoss : %3.6f | valAcc: %3.6f valLoss: %3.6f' % \(i, epoch, time.time() - start_time, plt_train_acc[-1], plt_train_loss[-1], plt_val_acc[-1], plt_val_loss[-1]))if i % 50 == 0:torch.save(model, save_path + '-epoch:' + str(i) + '-%.2f' % plt_val_acc[-1])else:plt_val_loss.append(plt_val_loss[-1])plt_val_acc.append(plt_val_acc[-1])print('[%03d/%03d] %2.2f sec(s) TrainAcc : %3.6f TrainLoss : %3.6f' % \(i, epoch, time.time() - start_time, plt_train_acc[-1], plt_train_loss[-1]))

• if i % val_epoch == 0:：每隔 val_epoch 轮进行一次验证。
• model.eval()：设置模型为评估模式，关闭dropout等训练特定操作。
• with torch.no_grad():：禁用梯度计算，节省内存并加速推理。
• val_text, val_labels = batch[0], batch[1].to(device)：将验证数据和标签移动到指定设备。
• val_pred = model(val_text)：前向传播得到验证预测结果。
• val_bat_loss = loss(val_pred, val_labels)：计算验证损失。
• val_loss += val_bat_loss.cpu().item()：累加验证损失。
• val_acc += np.sum(np.argmax(val_pred.cpu().data.numpy(), axis=1) == val_labels.cpu().numpy())：计算验证准确率。
• if val_acc > max_acc:：如果当前验证准确率超过历史最高值，则保存模型。
• plt_val_loss.append(...) 和 plt_val_acc.append(...)：记录每轮验证的平均损失和准确率。
• print(...)：打印当前轮次的训练和验证信息。
• if i % 50 == 0:：每隔50轮保存一次模型。

绘制训练和验证曲线

    plt.plot(plt_train_loss)plt.plot(plt_val_loss)plt.title('loss')plt.legend(['train', 'val'])plt.show()plt.plot(plt_train_acc)plt.plot(plt_val_acc)plt.title('Accuracy')plt.legend(['train', 'val'])plt.savefig('acc.png')plt.show()

• plt.plot(...)：绘制训练和验证的损失和准确率曲线。
• plt.title(...)：设置图表标题。
• plt.legend(...)：添加图例。
• plt.show()：显示图表。
• plt.savefig('acc.png')：保存准确率图表为PNG文件。