接上一篇：

你所不知道的 Transformer！

超詳細(xì)的 Bert 文本分類源碼解讀 | 附源碼

中文情感分類單標(biāo)簽

參考論文：

https://arxiv.org/abs/1706.03762

https://arxiv.org/abs/1810.04805

在本文中，我將以run_squad.py以及SQuAD數(shù)據(jù)集為例介紹閱讀理解的源碼，官方代碼基于tensorflow-gpu 1.x，若為tensorflow 2.x版本，會(huì)有各種錯(cuò)誤，建議切換版本至1.14。?

當(dāng)然，注釋好的源代碼在這里：

https://github.com/sherlcok314159/ML/tree/main/nlp/code

章節(jié)

• Demo傳參

• 數(shù)據(jù)篇

• • 番外句子分類

  • 創(chuàng)造實(shí)例

  • 實(shí)例轉(zhuǎn)換

• 模型構(gòu)造

• 寫入預(yù)測(cè)

Demo傳參

python bert/run_squad.py \--vocab_file=uncased_L-12_H-768_A-12/vocab.txt \--bert_config_file=uncased_L-12_H-768_A-12/bert_config.json \--init_checkpoint=uncased_L-12_H-768_A-12/bert_model.ckpt \--do_train=True \--train_file=SQUAD_DIR/train-v2.0.json \--train_batch_size=8 \--learning_rate=3e-5 \--num_train_epochs=1.0 \--max_seq_length=384 \--doc_stride=128 \--output_dir=/tmp/squad2.0_base/ \--version_2_with_negative=True

閱讀源碼最重要的一點(diǎn)不是拿到就讀，而是跑通源碼里面的小demo，因?yàn)槟闩芡╠emo就意味著你對(duì)代碼的一些基礎(chǔ)邏輯和參數(shù)有了一定的了解。

前面的參數(shù)都十分常規(guī)，如果不懂，建議看我的文本分類的講解。這里講一下比較特殊的最后一個(gè)參數(shù)，我們做的任務(wù)是閱讀理解，如果有答案缺失，在SQuAD1.0是不可以的，但是在SQuAD允許，這也就是True的意思。

需要注意，不同人的文件路徑都是不一樣的，你不能照搬我的，要改成自己的路徑。

數(shù)據(jù)篇

其實(shí)閱讀理解任務(wù)模型是跟文本分類幾乎是一樣的，大的差異在于兩者對(duì)于數(shù)據(jù)的處理，所以本篇文章重點(diǎn)在于如何將原生的數(shù)據(jù)轉(zhuǎn)換為閱讀理解任務(wù)所能接受的數(shù)據(jù)，至于模型構(gòu)造篇，請(qǐng)看文本分類：

https://github.com/sherlcok314159/ML/blob/main/nlp/tasks/text.md

番外句子分類

想必很多人看到SquadExample類的_repr_方法都很疑惑，這里處理好一個(gè)example，為什么后面還要進(jìn)行處理？看英文注釋會(huì)發(fā)現(xiàn)這個(gè)類其實(shí)跟閱讀理解沒關(guān)系，它只是處理之后對(duì)于句子分類任務(wù)的，自然在run_squad.py里面沒被調(diào)用。_repr_方法只是在有start_position的時(shí)候進(jìn)行字符串的拼接。

創(chuàng)造實(shí)例

用于訓(xùn)練的數(shù)據(jù)集是json文件，需要用json庫讀入。

訓(xùn)練集的樣式如下，可見data是最外層的

{"data": [{"title": "University_of_Notre_Dame","paragraphs": [{"context": "Architecturally, the school has a Catholic character.","qas": [{"answers": [{"answer_start": 515,"text": "Saint Bernadette Soubirous"}],"question": "To whom did the Virgin Mary allegedly appear in 1858 in Lourdes France?","id": "5733be284776f41900661182"}]}]},{"title":"...","paragraphs":[{"context":"...","qas":[{"answers":[{"answer_start":..,"text":"...",}],"question":"...","id":"..."},]}]}] }

input_data是一個(gè)大列表，然后每一個(gè)元素樣式如下

{'paragraphs': [{...}, {...}, {...}, {...}, {...}, {...}, {...}, {...}, {...}, ...], 'title': 'University_of_Notre_Dame'}

is_whitespace方法是用來判斷是否是一個(gè)空格，在切分字符然后加入doc_tokens會(huì)用到。

然后我們層層剝開，然后遍歷context的內(nèi)容，它是一個(gè)字符串，所以遍歷的時(shí)候會(huì)遍歷每一個(gè)字母，字符會(huì)被進(jìn)行判斷，如果是空格，則加入doc_tokens，char_to_word_offset表示切分后的索引列表，每一個(gè)元素表示一個(gè)詞有幾個(gè)字符組成。

切分后的doc_tokens會(huì)去掉空白部分，同時(shí)會(huì)包括英文逗號(hào)。一個(gè)單詞會(huì)有很多字符，每個(gè)字符對(duì)應(yīng)的索引會(huì)存在char_to_word_offset，例如，前面都是0，代表這些字符都是第一個(gè)單詞的，所以都是0，換句話說就是第一個(gè)單詞很長(zhǎng)。

doc_tokens = ['Architecturally,', 'the', 'school', 'has', 'a', 'Catholic', 'character.', 'Atop', 'the',"..."]char_to_word_offset = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...]

接下來進(jìn)行qas內(nèi)容的遍歷，每個(gè)元素稱為qa，進(jìn)行id和question內(nèi)容的分配，后面都是初始化一些參數(shù)

qa里面還有一個(gè)is_impossible，用于判斷是否有答案

確保有答案之后，剛剛讀入了問題，現(xiàn)在讀入與答案相關(guān)的部分，讀入的時(shí)候注意start_position和end_position是相對(duì)于doc_tokens的

接下來對(duì)答案部分進(jìn)行雙重檢驗(yàn)，actual_text是根據(jù)doc_tokens和始末位置拼接好的內(nèi)容，然后對(duì)orig_answer_text進(jìn)行空格切分，最后用find方法判斷orig_answer_text是否被包含在actual_text里面。

這個(gè)是針對(duì)is_impossible來說的，如果沒有答案，則把始末位置全部變成-1。

然后將example變成SquadExample的實(shí)例化對(duì)象，將example加入大列表——examples并返回，至此實(shí)例創(chuàng)建完成。

實(shí)例轉(zhuǎn)換

把json文件變成實(shí)例之后，我們還差一步便可以把數(shù)據(jù)塞進(jìn)模型進(jìn)行訓(xùn)練了，那就是將實(shí)例轉(zhuǎn)化為變量。

先對(duì)question_text進(jìn)行簡(jiǎn)單的空格切分變?yōu)閝uery_tokens

如果問題過長(zhǎng)，就進(jìn)行截?cái)嗖僮?/p>

接下來對(duì)doc_tokens進(jìn)行空格切分以及詞切分，變成all_doc_tokens，需要注意的是orig_to_tok_index代表的是doc_tokens在all_doc_tokens的索引，取最近的一個(gè)，而tok_to_orig_index代表的是all_doc_tokens在doc_tokens索引

對(duì)tok_start_position和tok_end_position進(jìn)行初始化，記住，這兩個(gè)是相對(duì)于all_doc_tokens來說的，一定要與start_position和end_position區(qū)分開來，它們是相對(duì)于doc_tokens來說的

接下來先介紹_improve_answer_span方法，這個(gè)方法是用來處理特殊的情況的，舉個(gè)例子，假如說你的文本是"The Japanese electronics industry is the lagest in the world."，你的問題是"What country is the top exporter of electornics?" 那答案其實(shí)應(yīng)該是Japan，可是呢，你用空格和詞切分的時(shí)候會(huì)發(fā)現(xiàn)Japanese已經(jīng)在詞表中可查，這意味著不會(huì)對(duì)它進(jìn)行再切分，會(huì)直接將它返回，這種情況下可能需要這個(gè)方法救場(chǎng)。

因?yàn)槭潜O(jiān)督學(xué)習(xí)，答案已經(jīng)給出，所以呢，這個(gè)方法干的事情就是詞切分后的tokens進(jìn)行再一次切分，如果發(fā)現(xiàn)切分之后會(huì)有更好的答案，就返回新的始末點(diǎn)，否則就返回原來的。

對(duì)tok_start_position和tok_end_position進(jìn)行進(jìn)一步賦值

計(jì)算max_tokens_for_doc，與文本分類類似，需要減去[CLS]和兩個(gè)[SEP]的位置，這里不同的是還要減去問題的長(zhǎng)度，因?yàn)檫@里算的是文本的長(zhǎng)度。?

tokens = [CLS] query tokens [SEP] context [SEP]

很多時(shí)候文章長(zhǎng)度大于maximum_sequence_length的時(shí)候，這個(gè)時(shí)候我們要對(duì)文章進(jìn)行切片處理，把它按照一定長(zhǎng)度進(jìn)行切分，每一個(gè)切片稱為一個(gè)doc_span，start代表從哪開始，length代表一個(gè)的長(zhǎng)度。

doc_spans儲(chǔ)存很多個(gè)doc_span。這里對(duì)窗口的長(zhǎng)度有所限制，規(guī)定了start_offset不能比doc_stride大，這是第二個(gè)窗口的起點(diǎn)，從這個(gè)角度或許可以理解doc_stride代表平滑的長(zhǎng)度。

接下來的操作跟文本分類有些類似，添加[CLS]，然后添加問題和[SEP]，這些在segment_ids里面都為0。

下面講_check_is_max_context方法，這個(gè)方法是用來判斷某個(gè)詞是否具有完備的上下文關(guān)系，源代碼給了一個(gè)例子：?

Span A: the man went to the?

Span B: to the store and bought?

Span C: and bought a gallon of ...?

那么對(duì)于bought來說，它在Span B和Span C中都有出現(xiàn)，那么，哪一個(gè)上下文關(guān)系最全呢？其實(shí)我們憑直覺應(yīng)該可以猜到應(yīng)該是Span C，因?yàn)镾pan B中bought出現(xiàn)在句末，沒有下文。當(dāng)然了，我們還是得用公式計(jì)算一下

score = min(num_left_context, num_right_context) + 0.01 * doc_span.length

score_B = min(4, 0) + 0.05 = 0.05?

score_C = min(1,3) + 0.05 = 1.05?

所以，在Span C中，bought的上下文語義最全，最終該方法會(huì)返回True or False，在滑動(dòng)窗口這個(gè)方法中，一個(gè)詞很可能出現(xiàn)在多個(gè)span里面，所以用這個(gè)方法判斷當(dāng)前這個(gè)詞在當(dāng)前span里面是否具有最完整的上下文

回到上面，token_to_orig_map是用來記錄文章部分在all_doc_tokens的索引，而token_is_max_context是記錄文章每一個(gè)詞在當(dāng)前span里面是否具有最完整的上下文關(guān)系，因?yàn)橐婚_始只有一個(gè)span，那么一開始每個(gè)詞肯定都是True。split_token_index用于切分成每一個(gè)token，這樣可以進(jìn)行上下文關(guān)系判斷，至于后面添[SEP]和segment_ids添1這種操作文本分類也有。

接下來將tokens（精細(xì)化切分后的）按照詞表轉(zhuǎn)化為id，另外若不足，則把0填充進(jìn)去這種操作也是很常見的。

前面是進(jìn)行判斷，如果切了之后答案并不在span里面就直接舍棄，若在里面，因?yàn)橐婚_始all_doc_tokens里面沒有問題和[CLS],[SEP]時(shí)正文的索引是tok_start_position，然后轉(zhuǎn)換為input_ids又有問題以及[CLS],[SEP]，所以要得到正文索引需要跳過它們。

接下來大量的tf.logging只是寫入日志信息，同時(shí)也是你終端或輸出那里看到的。

最終用這些參數(shù)實(shí)例化InputFeatures對(duì)象，然后不斷重復(fù)，每一個(gè)feature對(duì)應(yīng)著一個(gè)特殊的id，即為unique_id。

模型構(gòu)建

這里大致與文本分類差不多，只是文本分類在模型里面直接進(jìn)行了softmax處理，然后進(jìn)行最小交叉熵?fù)p失，而這次我們沒有直接這樣做，得到了開頭和結(jié)尾處的未歸一化的概率logits，之后我們直接返回。

然后這次我們是在model_fn_builder方法里面的子方法model_fn里定義compute_loss，其實(shí)這里也是經(jīng)過softmax進(jìn)行歸一化，然后再計(jì)算交叉熵?fù)p失，最終返回均方誤差。

然后我們計(jì)算開頭和結(jié)尾處的損失，總損失為二者和的平均。

最終我們進(jìn)行優(yōu)化。

寫入預(yù)測(cè)?

start_logit & end_logit 代表著未經(jīng)過softmax的概率，start_logit表示tokens里面以每一個(gè)token作為開頭的概率，后者類似的。還有一對(duì)null_start_logit & null_end_logit，它們兩個(gè)代表的是SQuAD2.0沒有答案的那些，默認(rèn)全為0。

首先，簡(jiǎn)單介紹一下_get_best_indexes，這個(gè)方法是用來輸出由高到低前n_best_size個(gè)的概率的索引。

遍歷start_indexes，end_indexes（都是分別經(jīng)過_get_best_indexes得到），對(duì)于答案未缺失的，以具體的logit填入，另外，feature_index代表第幾個(gè)feature。

如果答案缺失，則全都為0

接下來我們進(jìn)一步轉(zhuǎn)換為具體的文本

然后進(jìn)一步清洗數(shù)據(jù)

這樣還有個(gè)問題，詞切分會(huì)自動(dòng)小寫，與答案還存在一定的偏移，這里介紹get_final_text方法來解決這一問題，比如：?

pred_text = steve smith?

orig_text = Steve Smith's?

這個(gè)方法通俗來講就是獲得orig_text（未經(jīng)過詞切分）上正確的截取片段。?

然后將其添加到nbest中

同樣會(huì)存在沒有答案的情況

接下來會(huì)有一個(gè)total_scores，它的元素是start_logit和end_logit相加，注意，它們不是數(shù)值，是數(shù)組，之后就計(jì)算total_scores的交叉熵?fù)p失作為概率。

剩下的部分跟文本分類差不多，這里就此略過。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯溫州大學(xué)《機(jī)器學(xué)習(xí)課程》視頻 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

以上是生活随笔為你收集整理的【NLP】完全解析！Bert Transformer 阅读理解源码详解的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。