本文分享自华为云社区《【昇思25天学习打卡营打卡指南-第二十四天】基于 MindSpore 实现 BERT 对话情绪识别》，作者：JeffDing。
模型简介
BERT 全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers），它是 Google 于 2018 年末开发并发布的一种新型语言模型。与 BERT 模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于 Transformer 中的 Encoder 并加上双向的结构，因此一定要熟练掌握 Transformer 的 Encoder 的结构。
BERT 模型的主要创新点都在 pre-train 方法上，即用了 Masked Language Model 和 Next Sentence Prediction 两种方法分别捕捉词语和句子级别的 representation。
在用 Masked Language Model 方法训练 BERT 的时候，随机把语料库中 15%的单词做 Mask 操作。对于这 15%的单词做 Mask 操作分为三种情况：80%的单词直接用[Mask]替换、10%的单词直接替换成另一个新的单词、10%的单词保持不变。
因为涉及到 Question Answering (QA) 和 Natural Language Inference (NLI)之类的任务，增加了 Next Sentence Prediction 预训练任务，目的是让模型理解两个句子之间的联系。与 Masked Language Model 任务相比，Next Sentence Prediction 更简单些，训练的输入是句子 A 和 B，B 有一半的几率是 A 的下一句，输入这两个句子，BERT 模型预测 B 是不是 A 的下一句。
BERT 预训练之后，会保存它的 Embedding table 和 12 层 Transformer 权重（BERT-BASE）或 24 层 Transformer 权重（BERT-LARGE）。使用预训练好的 BERT 模型可以对下游任务进行 Fine-tuning，比如：文本分类、相似度判断、阅读理解等。
对话情绪识别（Emotion Detection，简称 EmoTect），专注于识别智能对话场景中用户的情绪，针对智能对话场景中的用户文本，自动判断该文本的情绪类别并给出相应的置信度，情绪类型分为积极、消极、中性。 对话情绪识别适用于聊天、客服等多个场景，能够帮助企业更好地把握对话质量、改善产品的用户交互体验，也能分析客服服务质量、降低人工质检成本。
安装 mindnlp
下面以一个文本情感分类任务为例子来说明 BERT 模型的整个应用过程。
import os
import mindsporefrom mindspore.dataset import text, GeneratorDataset, transformsfrom mindspore import nn, context
from mindnlp._legacy.engine import Trainer, Evaluatorfrom mindnlp._legacy.engine.callbacks import CheckpointCallback, BestModelCallbackfrom mindnlp._legacy.metrics import Accuracy
# prepare datasetclass SentimentDataset: """Sentiment Dataset"""
def __init__(self, path): self.path = path self._labels, self._text_a = [], [] self._load()
def _load(self): with open(self.path, "r", encoding="utf-8") as f: dataset = f.read() lines = dataset.split("\n") for line in lines[1:-1]: label, text_a = line.split("\t") self._labels.append(int(label)) self._text_a.append(text_a)
def __getitem__(self, index): return self._labels[index], self._text_a[index]
def __len__(self): return len(self._labels)
复制代码
数据集
这里提供一份已标注的、经过分词预处理的机器人聊天数据集，来自于百度飞桨团队。数据由两列组成，以制表符（’\t’）分隔，第一列是情绪分类的类别（0 表示消极；1 表示中性；2 表示积极），第二列是以空格分词的中文文本，如下示例，文件为 utf8 编码。
label–text_a
0–谁骂人了？我从来不骂人，我骂的都不是人，你是人吗 ？
1–我有事等会儿就回来和你聊
2–我见到你很高兴谢谢你帮我
这部分主要包括数据集读取，数据格式转换，数据 Tokenize 处理和 pad 操作。
wget https://baidu-nlp.bj.bcebos.com/emotion_detection-dataset-1.0.0.tar.gz -O emotion_detection.tar.gztar xvf emotion_detection.tar.gz
复制代码
数据加载和数据预处理
新建 process_dataset 函数用于数据加载和数据预处理，具体内容可见下面代码注释。
import numpy as np
def process_dataset(source, tokenizer, max_seq_len=64, batch_size=32, shuffle=True): is_ascend = mindspore.get_context('device_target') == 'Ascend'
column_names = ["label", "text_a"] dataset = GeneratorDataset(source, column_names=column_names, shuffle=shuffle) # transforms type_cast_op = transforms.TypeCast(mindspore.int32) def tokenize_and_pad(text): if is_ascend: tokenized = tokenizer(text, padding='max_length', truncation=True, max_length=max_seq_len) else: tokenized = tokenizer(text) return tokenized['input_ids'], tokenized['attention_mask'] # map dataset dataset = dataset.map(operations=tokenize_and_pad, input_columns="text_a", output_columns=['input_ids', 'attention_mask']) dataset = dataset.map(operations=[type_cast_op], input_columns="label", output_columns='labels') # batch dataset if is_ascend: dataset = dataset.batch(batch_size) else: dataset = dataset.padded_batch(batch_size, pad_info={'input_ids': (None, tokenizer.pad_token_id), 'attention_mask': (None, 0)})
return dataset
复制代码
昇腾 NPU 环境下暂不支持动态 Shape，数据预处理部分采用静态 Shape 处理：
from mindnlp.transformers import BertTokenizertokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
tokenizer.pad_token_id
dataset_train = process_dataset(SentimentDataset("data/train.tsv"), tokenizer)dataset_val = process_dataset(SentimentDataset("data/dev.tsv"), tokenizer)dataset_test = process_dataset(SentimentDataset("data/test.tsv"), tokenizer, shuffle=False)
print(next(dataset_train.create_tuple_iterator()))
复制代码
模型构建
通过 BertForSequenceClassification 构建用于情感分类的 BERT 模型，加载预训练权重，设置情感三分类的超参数自动构建模型。后面对模型采用自动混合精度操作，提高训练的速度，然后实例化优化器，紧接着实例化评价指标，设置模型训练的权重保存策略，最后就是构建训练器，模型开始训练。
from mindnlp.transformers import BertForSequenceClassification, BertModelfrom mindnlp._legacy.amp import auto_mixed_precision
# set bert config and define parameters for trainingmodel = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=3)model = auto_mixed_precision(model, 'O1')
optimizer = nn.Adam(model.trainable_params(), learning_rate=2e-5)
metric = Accuracy()# define callbacks to save checkpointsckpoint_cb = CheckpointCallback(save_path='checkpoint', ckpt_name='bert_emotect', epochs=1, keep_checkpoint_max=2)best_model_cb = BestModelCallback(save_path='checkpoint', ckpt_name='bert_emotect_best', auto_load=True)
trainer = Trainer(network=model, train_dataset=dataset_train, eval_dataset=dataset_val, metrics=metric, epochs=5, optimizer=optimizer, callbacks=[ckpoint_cb, best_model_cb])# start trainingtrainer.run(tgt_columns="labels")
复制代码
模型验证
将验证数据集加再进训练好的模型，对数据集进行验证，查看模型在验证数据上面的效果，此处的评价指标为准确率。
evaluator = Evaluator(network=model, eval_dataset=dataset_test, metrics=metric)evaluator.run(tgt_columns="labels")
复制代码
模型推理
遍历推理数据集，将结果与标签进行统一展示。
dataset_infer = SentimentDataset("data/infer.tsv")
def predict(text, label=None): label_map = {0: "消极", 1: "中性", 2: "积极"}
text_tokenized = Tensor([tokenizer(text).input_ids]) logits = model(text_tokenized) predict_label = logits[0].asnumpy().argmax() info = f"inputs: '{text}', predict: '{label_map[predict_label]}'" if label is not None: info += f" , label: '{label_map[label]}'" print(info) from mindspore import Tensor
for label, text in dataset_infer: predict(text, label)
复制代码
自定义推理数据集
自己输入推理数据，展示模型的泛化能力。
predict("家人们咱就是说一整个无语住了 绝绝子叠buff")
复制代码
点击关注，第一时间了解华为云新鲜技术~
评论