最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Tensorflow2.10使用BERT從文本中抽取答案實(shí)現(xiàn)詳解

 更新時(shí)間:2023年04月12日 14:10:47   作者:我是王大你是誰  
這篇文章主要為大家介紹了Tensorflow2.10使用BERT從文本中抽取答案實(shí)現(xiàn)詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪

前言

本文詳細(xì)介紹了用 tensorflow-gpu 2.10 版本實(shí)現(xiàn)一個(gè)簡單的從文本中抽取答案的過程。

數(shù)據(jù)準(zhǔn)備

這里主要用于準(zhǔn)備訓(xùn)練和評估 SQuAD(Standford Question Answering Dataset)數(shù)據(jù)集的 Bert 模型所需的數(shù)據(jù)和工具。

首先,通過導(dǎo)入相關(guān)庫,包括 os、re、json、string、numpy、tensorflow、tokenizers 和 transformers,為后續(xù)處理數(shù)據(jù)和構(gòu)建模型做好準(zhǔn)備。 然后,設(shè)置了最大長度為384 ,并創(chuàng)建了一個(gè) BertConfig 對象。接著從 Hugging Face 模型庫中下載預(yù)訓(xùn)練模型 bert-base-uncased 模型的 tokenizer ,并將其保存到同一目錄下的名叫 bert_base_uncased 文件夾中。 當(dāng)下載結(jié)束之后,使用 BertWordPieceTokenizer 從已下載的文件夾中夾在 tokenizer 的詞匯表從而創(chuàng)建分詞器 tokenizer 。

剩下的部分就是從指定的 URL 下載訓(xùn)練和驗(yàn)證集,并使用 keras.utils.get_file() 將它們保存到本地,一般存放在 “用戶目錄.keras\datasets”下 ,以便后續(xù)的數(shù)據(jù)預(yù)處理和模型訓(xùn)練。

import os
import re
import json
import string
import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tokenizers import BertWordPieceTokenizer
from transformers import BertTokenizer, TFBertModel, BertConfig
max_len = 384
configuration = BertConfig() 
slow_tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
save_path = "bert_base_uncased/"
if not os.path.exists(save_path):
    os.makedirs(save_path)
slow_tokenizer.save_pretrained(save_path)
tokenizer = BertWordPieceTokenizer("bert_base_uncased/vocab.txt", lowercase=True)
train_data_url = "https://rajpurkar.github.io/SQuAD-explorer/dataset/train-v1.1.json"
train_path = keras.utils.get_file("train.json", train_data_url)
eval_data_url = "https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v1.1.json"
eval_path = keras.utils.get_file("eval.json", eval_data_url)

打印:

Downloading data from https://rajpurkar.github.io/SQuAD-explorer/dataset/train-v1.1.json
30288272/30288272 [==============================] - 131s 4us/step
Downloading data from https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v1.1.json
4854279/4854279 [==============================] - 20s 4us/step

模型輸入、輸出處理

這里定義了一個(gè)名為 SquadExample 的類,用于表示一個(gè) SQuAD 數(shù)據(jù)集中的問題和對應(yīng)的上下文片段、答案位置等信息。

該類的構(gòu)造函數(shù) __init__() 接受五個(gè)參數(shù):問題(question)、上下文(context)、答案起始字符索引(start_char_idx)、答案文本(answer_text) 和所有答案列表 (all_answers) 。

類還包括一個(gè)名為 preprocess() 的方法,用于對每個(gè) SQuAD 樣本進(jìn)行預(yù)處理,首先對context 、question 和 answer 進(jìn)行預(yù)處理,并計(jì)算出答案的結(jié)束位置 end_char_idx 。接下來,根據(jù) start_char_idx 和 end_char_idx 在 context 的位置,構(gòu)建了一個(gè)表示 context 中哪些字符屬于 answer 的列表 is_char_in_ans 。然后,使用 tokenizer 對 context 進(jìn)行編碼,得到 tokenized_context。

接著,通過比較 answer 的字符位置和 context 中每個(gè)標(biāo)記的字符位置,得到了包含答案的標(biāo)記的索引列表 ans_token_idx 。如果 answer 未在 context 中找到,則將 skip 屬性設(shè)置為 True ,并直接返回空結(jié)果。

最后,將 context 和 question 的序列拼接成輸入序列 input_ids ,并根據(jù)兩個(gè)句子的不同生成了同樣長度的序列 token_type_ids 以及與 input_ids 同樣長度的 attention_mask 。然后對這三個(gè)序列進(jìn)行了 padding 操作。

class SquadExample:
    def __init__(self, question, context, start_char_idx, answer_text, all_answers):
        self.question = question
        self.context = context
        self.start_char_idx = start_char_idx
        self.answer_text = answer_text
        self.all_answers = all_answers
        self.skip = False
    def preprocess(self):
        context = self.context
        question = self.question
        answer_text = self.answer_text
        start_char_idx = self.start_char_idx
        context = " ".join(str(context).split())
        question = " ".join(str(question).split())
        answer = " ".join(str(answer_text).split())
        end_char_idx = start_char_idx + len(answer)
        if end_char_idx >= len(context):
            self.skip = True
            return
        is_char_in_ans = [0] * len(context)
        for idx in range(start_char_idx, end_char_idx):
            is_char_in_ans[idx] = 1
        tokenized_context = tokenizer.encode(context)
        ans_token_idx = []
        for idx, (start, end) in enumerate(tokenized_context.offsets):
            if sum(is_char_in_ans[start:end]) > 0:
                ans_token_idx.append(idx)
        if len(ans_token_idx) == 0:
            self.skip = True
            return
        start_token_idx = ans_token_idx[0]
        end_token_idx = ans_token_idx[-1]
        tokenized_question = tokenizer.encode(question)
        input_ids = tokenized_context.ids + tokenized_question.ids[1:]
        token_type_ids = [0] * len(tokenized_context.ids) + [1] * len(tokenized_question.ids[1:])
        attention_mask = [1] * len(input_ids)
        padding_length = max_len - len(input_ids)
        if padding_length > 0:   
            input_ids = input_ids + ([0] * padding_length)
            attention_mask = attention_mask + ([0] * padding_length)
            token_type_ids = token_type_ids + ([0] * padding_length)
        elif padding_length < 0:  
            self.skip = True
            return
        self.input_ids = input_ids
        self.token_type_ids = token_type_ids
        self.attention_mask = attention_mask
        self.start_token_idx = start_token_idx
        self.end_token_idx = end_token_idx
        self.context_token_to_char = tokenized_context.offsets

這里的兩個(gè)函數(shù)用于準(zhǔn)備數(shù)據(jù)以訓(xùn)練一個(gè)使用 BERT 結(jié)構(gòu)的問答模型。

第一個(gè)函數(shù) create_squad_examples 接受一個(gè) JSON 文件的原始數(shù)據(jù),將里面的每條數(shù)據(jù)都變成 SquadExample 類所定義的輸入格式。

第二個(gè)函數(shù) create_inputs_targets 將 SquadExample 對象列表轉(zhuǎn)換為模型的輸入和目標(biāo)。這個(gè)函數(shù)返回兩個(gè)列表,一個(gè)是模型的輸入,包含了 input_ids 、token_type_ids 、 attention_mask ,另一個(gè)是模型的目標(biāo),包含了 start_token_idx 、end_token_idx。

def create_squad_examples(raw_data):
    squad_examples = []
    for item in raw_data["data"]:
        for para in item["paragraphs"]:
            context = para["context"]
            for qa in para["qas"]:
                question = qa["question"]
                answer_text = qa["answers"][0]["text"]
                all_answers = [_["text"] for _ in qa["answers"]]
                start_char_idx = qa["answers"][0]["answer_start"]
                squad_eg = SquadExample(question, context, start_char_idx, answer_text, all_answers)
                squad_eg.preprocess()
                squad_examples.append(squad_eg)
    return squad_examples
def create_inputs_targets(squad_examples):
    dataset_dict = {
        "input_ids": [],
        "token_type_ids": [],
        "attention_mask": [],
        "start_token_idx": [],
        "end_token_idx": [],
    }
    for item in squad_examples:
        if item.skip == False:
            for key in dataset_dict:
                dataset_dict[key].append(getattr(item, key))
    for key in dataset_dict:
        dataset_dict[key] = np.array(dataset_dict[key])
    x = [ dataset_dict["input_ids"], dataset_dict["token_type_ids"], dataset_dict["attention_mask"], ]
    y = [dataset_dict["start_token_idx"], dataset_dict["end_token_idx"]]
    return x, y	

這里主要讀取了 SQuAD 訓(xùn)練集和驗(yàn)證集的 JSON 文件,并使用create_squad_examples 函數(shù)將原始數(shù)據(jù)轉(zhuǎn)換為 SquadExample 對象列表。然后使用 create_inputs_targets 函數(shù)將這些 SquadExample 對象列表轉(zhuǎn)換為模型輸入和目標(biāo)輸出。最后輸出打印了已創(chuàng)建的訓(xùn)練數(shù)據(jù)樣本數(shù)和評估數(shù)據(jù)樣本數(shù)。

with open(train_path) as f:
    raw_train_data = json.load(f)
with open(eval_path) as f:
    raw_eval_data = json.load(f)
train_squad_examplesa = create_squad_examples(raw_train_data)
x_train, y_train = create_inputs_targets(train_squad_examples)
print(f"{len(train_squad_examples)} training points created.")
eval_squad_examples = create_squad_examples(raw_eval_data)
x_eval, y_eval = create_inputs_targets(eval_squad_examples)
print(f"{len(eval_squad_examples)} evaluation points created.")

打?。?/p>

87599 training points created.
10570 evaluation points created.

模型搭建

這里定義了一個(gè)基于 BERT 的問答模型。在 create_model() 函數(shù)中,首先使用 TFBertModel.from_pretrained() 方法加載預(yù)訓(xùn)練的 BERT 模型。然后創(chuàng)建了三個(gè)輸入層(input_ids、token_type_ids 和 attention_mask),每個(gè)輸入層的形狀都是(max_len,) 。這些輸入層用于接收模型的輸入數(shù)據(jù)。

接下來使用 encoder() 方法對輸入進(jìn)行編碼得到 embedding ,然后分別對這些向量表示進(jìn)行全連接層的操作,得到一個(gè) start_logits 和一個(gè) end_logits 。接著分別對這兩個(gè)向量進(jìn)行扁平化操作,并將其傳遞到激活函數(shù) softmax 中,得到一個(gè) start_probs 向量和一個(gè) end_probs 向量。

最后,將這三個(gè)輸入層和這兩個(gè)輸出層傳遞給 keras.Model() 函數(shù),構(gòu)建出一個(gè)模型。此模型使用 SparseCategoricalCrossentropy 損失函數(shù)進(jìn)行編譯,并使用 Adam 優(yōu)化器進(jìn)行訓(xùn)練。

def create_model():
    encoder = TFBertModel.from_pretrained("bert-base-uncased")
    input_ids = layers.Input(shape=(max_len,), dtype=tf.int32)
    token_type_ids = layers.Input(shape=(max_len,), dtype=tf.int32)
    attention_mask = layers.Input(shape=(max_len,), dtype=tf.int32)
    embedding = encoder(input_ids, token_type_ids=token_type_ids, attention_mask=attention_mask)[0]
    start_logits = layers.Dense(1, name="start_logit", use_bias=False)(embedding)
    start_logits = layers.Flatten()(start_logits)
    end_logits = layers.Dense(1, name="end_logit", use_bias=False)(embedding)
    end_logits = layers.Flatten()(end_logits)
    start_probs = layers.Activation(keras.activations.softmax)(start_logits)
    end_probs = layers.Activation(keras.activations.softmax)(end_logits)
    model = keras.Model( inputs=[input_ids, token_type_ids, attention_mask],  outputs=[start_probs, end_probs],)
    loss = keras.losses.SparseCategoricalCrossentropy(from_logits=False)
    optimizer = keras.optimizers.Adam(lr=5e-5)
    model.compile(optimizer=optimizer, loss=[loss, loss])
    return model

這里主要是展示了一下模型的架構(gòu),可以看到所有的參數(shù)都可以訓(xùn)練,并且主要調(diào)整的部分都幾乎是 bert 中的參數(shù)。

model = create_model()
model.summary()

打?。?/p>

Model: "model_1"
__________________________________________________________________________________________________
 Layer (type)                   Output Shape         Param #     Connected to                     
==================================================================================================
 input_4 (InputLayer)           [(None, 384)]        0           []                               
 input_6 (InputLayer)           [(None, 384)]        0           []                               
 input_5 (InputLayer)           [(None, 384)]        0           []                               
 tf_bert_model_1 (TFBertModel)  TFBaseModelOutputWi  109482240   ['input_4[0][0]',                
                                thPoolingAndCrossAt               'input_6[0][0]',                
                                tentions(last_hidde               'input_5[0][0]']                
                                n_state=(None, 384,                                               
                                 768),                                                            
                                 pooler_output=(Non                                               
                                e, 768),                                                          
                                 past_key_values=No                                               
                                ne, hidden_states=N                                               
                                one, attentions=Non                                               
                                e, cross_attentions                                               
                                =None)                                                            
 start_logit (Dense)            (None, 384, 1)       768         ['tf_bert_model_1[0][0]']        
 end_logit (Dense)              (None, 384, 1)       768         ['tf_bert_model_1[0][0]']        
 flatten_2 (Flatten)            (None, 384)          0           ['start_logit[0][0]']            
 flatten_3 (Flatten)            (None, 384)          0           ['end_logit[0][0]']              
 activation_2 (Activation)      (None, 384)          0           ['flatten_2[0][0]']              
 activation_3 (Activation)      (None, 384)          0           ['flatten_3[0][0]']              
==================================================================================================
Total params: 109,483,776
Trainable params: 109,483,776
Non-trainable params: 0

自定義驗(yàn)證回調(diào)函數(shù)

這里定義了一個(gè)回調(diào)函數(shù) ExactMatch , 有一個(gè)初始化方法 __init__ ,接收驗(yàn)證集的輸入和目標(biāo) x_eval 和 y_eval 。該類還實(shí)現(xiàn)了 on_epoch_end 方法,在每個(gè) epoch 結(jié)束時(shí)調(diào)用,計(jì)算模型的預(yù)測值,并計(jì)算精確匹配分?jǐn)?shù)。

具體地,on_epoch_end 方法首先使用模型對 x_eval 進(jìn)行預(yù)測,得到預(yù)測的起始位置 pred_start 和結(jié)束位置 pred_end ,并進(jìn)一步找到對應(yīng)的預(yù)測答案和正確答案標(biāo)準(zhǔn)化為 normalized_pred_ans 和 normalized_true_ans ,如果前者存在于后者,則說明該樣本被正確地回答,最終將精確匹配分?jǐn)?shù)打印出來。

def normalize_text(text):
    text = text.lower()
    exclude = set(string.punctuation)
    text = "".join(ch for ch in text if ch not in exclude)
    regex = re.compile(r"\b(a|an|the)\b", re.UNICODE)
    text = re.sub(regex, " ", text)
    text = " ".join(text.split())
    return text
class ExactMatch(keras.callbacks.Callback):
    def __init__(self, x_eval, y_eval):
        self.x_eval = x_eval
        self.y_eval = y_eval
    def on_epoch_end(self, epoch, logs=None):
        pred_start, pred_end = self.model.predict(self.x_eval)
        count = 0
        eval_examples_no_skip = [_ for _ in eval_squad_examples if _.skip == False]
        for idx, (start, end) in enumerate(zip(pred_start, pred_end)):
            squad_eg = eval_examples_no_skip[idx]
            offsets = squad_eg.context_token_to_char
            start = np.argmax(start)
            end = np.argmax(end)
            if start >= len(offsets):
                continue
            pred_char_start = offsets[start][0]
            if end < len(offsets):
                pred_char_end = offsets[end][1]
                pred_ans = squad_eg.context[pred_char_start:pred_char_end]
            else:
                pred_ans = squad_eg.context[pred_char_start:]
            normalized_pred_ans = normalize_text(pred_ans)
            normalized_true_ans = [normalize_text(_) for _ in squad_eg.all_answers]
            if normalized_pred_ans in normalized_true_ans:
                count += 1
        acc = count / len(self.y_eval[0])
        print(f"\nepoch={epoch+1}, exact match score={acc:.2f}")

模型訓(xùn)練和驗(yàn)證

訓(xùn)練模型,并使用驗(yàn)證集對模型的性能進(jìn)行測試。這里的 epoch 只設(shè)置了 1 ,如果數(shù)值增大效果會(huì)更好。

exact_match_callback = ExactMatch(x_eval, y_eval)
model.fit( x_train,  y_train, epochs=1,    verbose=2,  batch_size=16, callbacks=[exact_match_callback],)

打?。?/p>

23/323 [==============================] - 47s 139ms/step

epoch=1, exact match score=0.77
5384/5384 - 1268s - loss: 2.4677 - activation_2_loss: 1.2876 - activation_3_loss: 1.1800 - 1268s/epoch - 236ms/step

以上就是Tensorflow2.10使用BERT從文本中抽取答案實(shí)現(xiàn)詳解的詳細(xì)內(nèi)容,更多關(guān)于Tensorflow BERT文本抽取的資料請關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • Python中max函數(shù)用于二維列表的實(shí)例

    Python中max函數(shù)用于二維列表的實(shí)例

    下面小編就為大家分享一篇Python中max函數(shù)用于二維列表的實(shí)例,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-04-04
  • Python的argparse庫使用詳解

    Python的argparse庫使用詳解

    argparse是python標(biāo)準(zhǔn)庫里面用來處理命令行參數(shù)的庫,這篇文章主要介紹了Python的argparse庫使用詳解,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2018-10-10
  • django中send_mail功能實(shí)現(xiàn)詳解

    django中send_mail功能實(shí)現(xiàn)詳解

    這篇文章主要給大家介紹了關(guān)于django中send_mail功能實(shí)現(xiàn)的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧。
    2018-02-02
  • Python實(shí)現(xiàn)將不規(guī)范的英文名字首字母大寫

    Python實(shí)現(xiàn)將不規(guī)范的英文名字首字母大寫

    這篇文章給大家主要介紹的是利用map()函數(shù),把用戶輸入的不規(guī)范的英文名字,變?yōu)槭鬃帜复髮?,其他小寫的?guī)范名字。文中給出了三種解決方法,大家可以根據(jù)需要選擇使用,感興趣的朋友們下面來一起學(xué)習(xí)學(xué)習(xí)吧。
    2016-11-11
  • Python解決Flutter項(xiàng)目簡體字問題的方法

    Python解決Flutter項(xiàng)目簡體字問題的方法

    作為面向大陸外市場的應(yīng)用,我們經(jīng)常編寫代碼的時(shí)候往往忘記切換繁體字導(dǎo)致上線后出現(xiàn)簡體字,因?yàn)檠芯肯聵I(yè)內(nèi)相關(guān)插件,看看怎么好解決這個(gè)問題,OpenCC 支持語言比較多,所以基于此嘗試了用 Python 去實(shí)現(xiàn),需要的朋友可以參考下
    2024-07-07
  • django 郵件發(fā)送模塊smtp使用詳解

    django 郵件發(fā)送模塊smtp使用詳解

    這篇文章主要介紹了django 郵件發(fā)送模塊smtp使用詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2019-07-07
  • python讀取nc數(shù)據(jù)并繪圖的方法實(shí)例

    python讀取nc數(shù)據(jù)并繪圖的方法實(shí)例

    最近項(xiàng)目中需要處理和分析NC數(shù)據(jù),所以下面這篇文章主要給大家介紹了關(guān)于python讀取nc數(shù)據(jù)并繪圖的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下
    2022-05-05
  • 在pycharm中顯示python畫的圖方法

    在pycharm中顯示python畫的圖方法

    今天小編就為大家分享一篇在pycharm中顯示python畫的圖方法,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-08-08
  • Python實(shí)現(xiàn)的爬取百度文庫功能示例

    Python實(shí)現(xiàn)的爬取百度文庫功能示例

    這篇文章主要介紹了Python實(shí)現(xiàn)的爬取百度文庫功能,結(jié)合實(shí)例形式分析了Python針對百度文庫的爬取、編碼轉(zhuǎn)換、文件保存等相關(guān)操作技巧,需要的朋友可以參考下
    2019-02-02
  • python?PyQt5(自定義)信號與槽使用及說明

    python?PyQt5(自定義)信號與槽使用及說明

    這篇文章主要介紹了python?PyQt5(自定義)信號與槽使用及說明,具有很好的參考價(jià)值,希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-12-12

最新評論

兴安盟| 金平| 蒙阴县| 城固县| 府谷县| 德清县| 海阳市| 阿鲁科尔沁旗| 姜堰市| 太康县| 盘山县| 白沙| 津南区| 元朗区| 巫山县| 平和县| 肃南| 海口市| 凤城市| 永胜县| 钟祥市| 尼勒克县| 阿拉善右旗| 泰州市| 江川县| 文成县| 沅陵县| 游戏| 焦作市| 秀山| 建阳市| 钦州市| 连南| 漳平市| 南岸区| 沈阳市| 永新县| 什邡市| 保定市| 盘山县| 苍南县|