Hugging face 是一家總部位于紐約的聊天機器人初創服務商，開發的應用在青少年中頗受歡迎，相比于其他公司，Hugging Face更加注重產品帶來的情感以及環境因素。官網鏈接在此 https://huggingface.co/ 。

但更令它廣為人知的是Hugging Face專注于NLP技術，擁有大型的開源社區。尤其是在github上開源的自然語言處理，預訓練模型庫 Transformers，已被下載超過一百萬次，github上超過24000個star。Transformers 提供了NLP領域大量state-of-art的 預訓練語言模型結構的模型和調用框架。以下是repo的鏈接（https://github.com/huggingface/transformers）

這個庫最初的名稱是pytorch-pretrained-bert，它隨著BERT一起應運而生。Google2018年10月底在 https://github.com/google-research/bert 開源了BERT的tensorflow實現。當時，BERT以其強勁的性能，引起NLPer的廣泛關注。幾乎與此同時，pytorch-pretrained-bert也開始了它的第一次提交。pytorch-pretrained-bert 用當時已有大量支持者的pytorch框架復現了BERT的性能，并提供預訓練模型的下載，使沒有足夠算力的開發者們也能夠在幾分鐘內就實現 state-of-art-fine-tuning。到目前為止，transformers 提供了超過100種語言的，32種預訓練語言模型，簡單，強大，高性能，是新手入門的不二選擇。

?

CL2020 Best Paper有一篇論文提名獎，《Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks》。這篇論文做了很多語言模型預訓練的實驗，系統的分析了語言模型預訓練對子任務的效果提升情況。有幾個主要結論：

• 在目標領域的數據集上繼續預訓練（DAPT）可以提升效果；目標領域的語料與RoBERTa的原始預訓練語料越不相關，DAPT效果則提升更明顯。

• 在具體任務的數據集上繼續預訓練（TAPT）可以十分“廉價”地提升效果。

• 結合二者（先進行DAPT，再進行TAPT）可以進一步提升效果。

• 如果能獲取更多的、任務相關的無標注數據繼續預訓練（Curated-TAPT），效果則最佳。

• 如果無法獲取更多的、任務相關的無標注數據，采取一種十分輕量化的簡單數據選擇策略，效果也會提升。

知乎專欄《高能NLP》 https://zhuanlan.zhihu.com/p/149210123

雖然在bert上語言模型預訓練在算法比賽中已經是一個穩定的上分操作。但是上面這篇文章難能可貴的是對這個操作進行了系統分析。大部分中文語言模型都是在tensorflow上訓練的，一個常見例子是中文roberta項目。可以參考

https://github.com/brightmart/roberta_zh

使用pytorch進行中文bert語言模型預訓練的例子比較少。在huggingface的Transformers中，有一部分代碼支持語言模型預訓練(不是很豐富，很多功能都不支持比如wwm)。
?

為了用最少的代碼成本完成bert語言模型預訓練，本文借鑒了里面的一些現成代碼。也嘗試分享一下使用pytorch進行語言模型預訓練的一些經驗。主要有三個常見的中文bert語言模型

bert-base-chinese

roberta-wwm-ext

ernie

?

1?bert-base-chinese

(https://huggingface.co/bert-base-chinese)

這是最常見的中文bert語言模型，基于中文維基百科相關語料進行預訓練。把它作為baseline，在領域內無監督數據進行語言模型預訓練很簡單。只需要使用官方給的例子就好。

https://github.com/huggingface/transformers/tree/master/examples/language-modeling

(本文使用的transformers更新到3.0.2)

其中$TRAIN_FILE 代表領域相關中文語料地址。

python run_language_modeling.py \--output_dir=output \--model_type=bert \--model_name_or_path=bert-base-chinese \--do_train \--train_data_file=$TRAIN_FILE \--do_eval \--eval_data_file=$TEST_FILE \--mlm

2?roberta-wwm-ext

(https://github.com/ymcui/Chinese-BERT-wwm)

哈工大訊飛聯合實驗室發布的預訓練語言模型。預訓練的方式是采用roberta類似的方法，比如動態mask，更多的訓練數據等等。在很多任務中，該模型效果要優于bert-base-chinese。

對于中文roberta類的pytorch模型，使用方法如下

import torch from transformers import BertTokenizer, BertModel tokenizer = BertTokenizer.from_pretrained("hfl/chinese-roberta-wwm-ext") roberta = BertModel.from_pretrained("hfl/chinese-roberta-wwm-ext")

切記不可使用官方推薦的

tokenizer = AutoTokenizer.from_pretrained("hfl/chinese-roberta-wwm-ext") model = AutoModel.from_pretrained("hfl/chinese-roberta-wwm-ext")

因為中文roberta類的配置文件比如vocab.txt，都是采用bert的方法設計的。英文roberta模型讀取配置文件的格式默認是vocab.json。對于一些英文roberta模型，倒是可以通過AutoModel自動讀取。這就解釋了huggingface的模型庫的中文roberta示例代碼為什么跑不通。

如果要基于上面的代碼run_language_modeling.py繼續預訓練roberta。還需要做兩個改動。

• 下載roberta-wwm-ext到本地目錄hflroberta，在config.json中修改“model_type”:"roberta"為"model_type":"bert"。

• 對上面的run_language_modeling.py中的AutoModel和AutoTokenizer都進行替換為BertModel和BertTokenizer。

python run_language_modeling_roberta.py \--output_dir=output \--model_type=bert \--model_name_or_path=hflroberta \--do_train \--train_data_file=$TRAIN_FILE \--do_eval \--eval_data_file=$TEST_FILE \--mlm

3 ernie

（https://github.com/nghuyong/ERNIE-Pytorch）

ernie是百度發布的基于百度知道貼吧等中文語料結合實體預測等任務生成的預訓練模型。這個模型的準確率在某些任務上要優于bert-base-chinese和roberta。如果基于ernie1.0模型做領域數據預訓練的話只需要一步修改。

下載ernie1.0到本地目錄ernie，在config.json中增加字段"model_type":"bert"。

python run_language_modeling.py \--output_dir=output \--model_type=bert \--model_name_or_path=ernie \--do_train \--train_data_file=$TRAIN_FILE \--do_eval \--eval_data_file=$TEST_FILE \--mlm

最后，huggingface項目中語言模型預訓練用mask方式如下。仍是按照15%的數據隨機mask然后預測自身。如果要做一些高級操作比如whole word masking或者實體預測，可以自行修改transformers.DataCollatorForLanguageModeling。

def mask_tokens(self, inputs: torch.Tensor) -> Tuple[torch.Tensor, torch.Tensor]:"""Prepare masked tokens inputs/labels for masked language modeling: 80% MASK, 10% random, 10% original."""if self.tokenizer.mask_token is None:raise ValueError("This tokenizer does not have a mask token which is necessary for masked language modeling. Remove the --mlm flag if you want to use this tokenizer.")labels = inputs.clone()# We sample a few tokens in each sequence for masked-LM training (with probability args.mlm_probability defaults to 0.15 in Bert/RoBERTa)probability_matrix = torch.full(labels.shape, self.mlm_probability)special_tokens_mask = [self.tokenizer.get_special_tokens_mask(val, already_has_special_tokens=True) for val in labels.tolist()]probability_matrix.masked_fill_(torch.tensor(special_tokens_mask, dtype=torch.bool), value=0.0)if self.tokenizer._pad_token is not None:padding_mask = labels.eq(self.tokenizer.pad_token_id)probability_matrix.masked_fill_(padding_mask, value=0.0)masked_indices = torch.bernoulli(probability_matrix).bool()labels[~masked_indices] = -100 # We only compute loss on masked tokens# 80% of the time, we replace masked input tokens with tokenizer.mask_token ([MASK])indices_replaced = torch.bernoulli(torch.full(labels.shape, 0.8)).bool() & masked_indicesinputs[indices_replaced] = self.tokenizer.convert_tokens_to_ids(self.tokenizer.mask_token)# 10% of the time, we replace masked input tokens with random wordindices_random = torch.bernoulli(torch.full(labels.shape, 0.5)).bool() & masked_indices & ~indices_replacedrandom_words = torch.randint(len(self.tokenizer), labels.shape, dtype=torch.long)inputs[indices_random] = random_words[indices_random]# The rest of the time (10% of the time) we keep the masked input tokens unchangedreturn inputs, labels

本文實驗代碼庫。拿來即用！

https://github.com/zhusleep/pytorch_chinese_lm_pretrain

總結

以上是生活随笔為你收集整理的[深度学习] 自然语言处理 --- Huggingface-Pytorch中文语言Bert模型预训练的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。