احضر ندوة النساء في غسل الأموال في 7 ديسمبر. سجل الآن

حل مهام الغراء باستخدام BERT على TPU

تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.

عرض على TensorFlow.org تشغيل في Google Colab عرض على جيثب تحميل دفتر انظر نموذج TF Hub

يمكن استخدام BERT لحل العديد من المشكلات في معالجة اللغة الطبيعية. سوف تتعلم كيفية بيرت صقل للعديد من المهام من المؤشر الغراء :

  1. كولا (كوربوس من القبول اللغوية): هل الجملة صحيحة نحويا؟

  2. SST-2 (ستانفورد ثقة Treebank): وتتمثل المهمة في التنبؤ مشاعر حكم معين.

  3. MRPC (مايكروسوفت للبحوث الصياغه كوربوس): تحديد ما إذا كان الزوج الأحكام وتعادل غويا.

  4. QQP (قرة سؤال Pairs2): تحديد ما إذا كان الزوج من الأسئلة وتعادل غويا.

  5. MNLI (متعدد النوع الطبيعي اللغة الاستدلال): نظرا حكم فرضية والجملة الفرضية، فإن المهمة هي التنبؤ بما إذا كانت فرضية ينطوي على فرضية (توريث)، يتناقض مع الفرضية (التناقض)، أو لا (محايد).

  6. QNLI (سؤال-الرد على اللغة الطبيعية الاستدلال): وتتمثل المهمة في تحديد ما إذا كانت الجملة السياق تحتوي على الإجابة على السؤال.

  7. RTE (إدراكا النصية الاستتباع): تحديد ما إذا كان ينطوي على جملة فرضية معينة أم لا.

  8. WNLI (فينوغراد الطبيعية اللغة الاستدلال): وتتمثل المهمة في التنبؤ إذا كان ذلك ينطوي الجملة مع الضمير استبداله من قبل الحكم الأصلي.

يحتوي هذا البرنامج التعليمي على رمز كامل شامل لتدريب هذه النماذج على TPU. يمكنك أيضًا تشغيل هذا الكمبيوتر الدفتري على وحدة معالجة الرسومات ، عن طريق تغيير سطر واحد (كما هو موضح أدناه).

في هذا دفتر الملاحظات ، سوف:

  • قم بتحميل نموذج BERT من TensorFlow Hub
  • اختر إحدى مهام GLUE وقم بتنزيل مجموعة البيانات
  • المعالجة المسبقة للنص
  • ضبط BERT (يتم تقديم أمثلة لمجموعات البيانات المكونة من جملة واحدة ومتعددة الجمل)
  • احفظ النموذج المدرب واستخدمه

يثبت

ستستخدم نموذجًا منفصلاً للمعالجة المسبقة للنص قبل استخدامه لضبط BERT. يعتمد هذا النموذج على tensorflow / النص ، الذي سيتم تثبيت أدناه.

pip install -q -U tensorflow-text

سوف تستخدم محسن AdamW من tensorflow / نماذج لبيرت صقل، والتي سيتم تثبيت أيضا.

pip install -q -U tf-models-official
pip install -U tfds-nightly
import os
import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_datasets as tfds
import tensorflow_text as text  # A dependency of the preprocessing model
import tensorflow_addons as tfa
from official.nlp import optimization
import numpy as np

tf.get_logger().setLevel('ERROR')
/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/requests/__init__.py:104: RequestsDependencyWarning: urllib3 (1.26.7) or chardet (2.3.0)/charset_normalizer (2.0.7) doesn't match a supported version!
  RequestsDependencyWarning)

بعد ذلك ، قم بتكوين TFHub لقراءة نقاط التفتيش مباشرة من دلاء التخزين السحابي لـ TFHub. يوصى بهذا فقط عند تشغيل طرازات TFHub على TPU.

بدون هذا الإعداد ، سيقوم TFHub بتنزيل الملف المضغوط واستخراج نقطة التفتيش محليًا. ستفشل محاولة التحميل من هذه الملفات المحلية بسبب الخطأ التالي:

InvalidArgumentError: Unimplemented: File system scheme '[local]' not implemented

وذلك لأن TPU يمكن قراءة فقط مباشرة من الدلاء سحابة التخزين .

os.environ["TFHUB_MODEL_LOAD_FORMAT"]="UNCOMPRESSED"

اتصل بعامل TPU

يتصل الكود التالي بعامل TPU ويغير جهاز TensorFlow الافتراضي إلى جهاز CPU على عامل TPU. كما تحدد أيضًا إستراتيجية توزيع TPU التي ستستخدمها لتوزيع تدريب النموذج على 8 نوى منفصلة لـ TPU المتاحة لعامل TPU هذا. انظر TensorFlow في دليل TPU لمزيد من المعلومات.

import os

if os.environ['COLAB_TPU_ADDR']:
  cluster_resolver = tf.distribute.cluster_resolver.TPUClusterResolver(tpu='')
  tf.config.experimental_connect_to_cluster(cluster_resolver)
  tf.tpu.experimental.initialize_tpu_system(cluster_resolver)
  strategy = tf.distribute.TPUStrategy(cluster_resolver)
  print('Using TPU')
elif tf.config.list_physical_devices('GPU'):
  strategy = tf.distribute.MirroredStrategy()
  print('Using GPU')
else:
  raise ValueError('Running on CPU is not recommended.')
Using TPU

نماذج التحميل من TensorFlow Hub

هنا يمكنك اختيار طراز BERT الذي ستقوم بتحميله من TensorFlow Hub وضبطه. هناك العديد من طرز BERT المتاحة للاختيار من بينها.

  • بيرت-قاعدة ، Uncased و سبع نماذج مع الأوزان تدريب صدر من قبل المؤلفين بيرت الأصلية.
  • BERTs صغيرة لها نفس الهيكل العام ولكن أقل و / أو كتل المحولات الصغيرة، والتي تتيح لك استكشاف المفاضلات بين السرعة والحجم والجودة.
  • ALBERT : أربعة أحجام مختلفة من "A ايت بيرت" الذي يقلل من حجم نموذج (ولكن ليس وقت حساب) من خلال تبادل المعلمات بين الطبقات.
  • بيرت الخبراء : ثمانية نماذج جميعا العمارة بيرت قاعدة ولكن العرض الاختيار بين مختلف المجالات ما قبل التدريب، وزيادة مواءمة بمهمة الهدف.
  • الكترا لديه نفس العمارة كما بيرت (في ثلاثة أحجام مختلفة)، ولكن يحصل قبل المدربين كما الممي في انشاء يشبه الخصومة شبكة المولدة (GAN).
  • بيرت مع الحديث-رؤساء الاهتمام وعن طريق بوابة الدنمركي [ قاعدة ، كبيرة ] لديه اثنين من التحسينات لجوهر العمارة محول.

راجع وثائق النموذج المرتبطة أعلاه لمزيد من التفاصيل.

في هذا البرنامج التعليمي ، ستبدأ بقاعدة BERT. يمكنك استخدام نماذج أكبر وأحدث للحصول على دقة أعلى ، أو نماذج أصغر لأوقات تدريب أسرع. لتغيير النموذج ، ما عليك سوى تبديل سطر واحد من التعليمات البرمجية (كما هو موضح أدناه). يتم تغليف جميع الاختلافات في SavedModel الذي ستقوم بتنزيله من TensorFlow Hub.

اختر نموذج BERT لضبطه

BERT model selected           : https://tfhub.dev/tensorflow/bert_en_uncased_L-12_H-768_A-12/3
Preprocessing model auto-selected: https://tfhub.dev/tensorflow/bert_en_uncased_preprocess/3

المعالجة المسبقة للنص

على النص صنف مع بيرت colab يستخدم جزءا لا يتجزأ من نموذج تجهيزها مباشرة مع ترميز بيرت.

يوضح هذا البرنامج التعليمي كيفية إجراء المعالجة المسبقة كجزء من خط أنابيب الإدخال الخاص بك للتدريب ، باستخدام Dataset.map ، ثم دمجها في النموذج الذي يتم تصديره للاستدلال. بهذه الطريقة ، يمكن أن يعمل كل من التدريب والاستنتاج من مدخلات النص الخام ، على الرغم من أن TPU نفسها تتطلب مدخلات رقمية.

متطلبات TPU جانبا، فإنه يمكن أن تساعد في أداء عمله يكون تجهيزها بشكل غير متزامن في خط أنابيب الإدخال (يمكنك معرفة المزيد في دليل الأداء tf.data ).

يوضح هذا البرنامج التعليمي أيضًا كيفية إنشاء نماذج متعددة المدخلات ، وكيفية ضبط طول تسلسل المدخلات إلى BERT.

دعونا نوضح نموذج المعالجة المسبقة.

bert_preprocess = hub.load(tfhub_handle_preprocess)
tok = bert_preprocess.tokenize(tf.constant(['Hello TensorFlow!']))
print(tok)
<tf.RaggedTensor [[[7592], [23435, 12314], [999]]]>

ويقدم كل نموذج تجهيزها أيضا طريقة، .bert_pack_inputs(tensors, seq_length) ، والتي تأخذ على قائمة من الرموز (مثل tok أعلاه) وحجة تسلسل طول. يقوم هذا بحزم المدخلات لإنشاء قاموس للموترات بالتنسيق المتوقع بواسطة نموذج BERT.

text_preprocessed = bert_preprocess.bert_pack_inputs([tok, tok], tf.constant(20))

print('Shape Word Ids : ', text_preprocessed['input_word_ids'].shape)
print('Word Ids       : ', text_preprocessed['input_word_ids'][0, :16])
print('Shape Mask     : ', text_preprocessed['input_mask'].shape)
print('Input Mask     : ', text_preprocessed['input_mask'][0, :16])
print('Shape Type Ids : ', text_preprocessed['input_type_ids'].shape)
print('Type Ids       : ', text_preprocessed['input_type_ids'][0, :16])
Shape Word Ids :  (1, 20)
Word Ids       :  tf.Tensor(
[  101  7592 23435 12314   999   102  7592 23435 12314   999   102     0
     0     0     0     0], shape=(16,), dtype=int32)
Shape Mask     :  (1, 20)
Input Mask     :  tf.Tensor([1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0], shape=(16,), dtype=int32)
Shape Type Ids :  (1, 20)
Type Ids       :  tf.Tensor([0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0], shape=(16,), dtype=int32)

فيما يلي بعض التفاصيل التي يجب الانتباه إليها:

  • input_mask يسمح قناع نموذج للتمييز نظيفة بين المحتوى والحشو. قناع لديه نفس شكل input_word_ids ، ويحتوي على أي مكان (1) و input_word_ids لا الحشو.
  • input_type_ids لديه نفس شكل input_mask ، ولكن داخل المنطقة غير مبطن، يحتوي على 0 أو 1 يشير إلى الذي حكم الرمز المميز هو جزء من.

بعد ذلك ، ستقوم بإنشاء نموذج معالجة مسبقة يضم كل هذا المنطق. سيأخذ نموذجك سلاسل كمدخلات ، ويعيد الكائنات المنسقة بشكل مناسب والتي يمكن تمريرها إلى BERT.

يحتوي كل نموذج BERT على نموذج معالجة مسبقة محدد ، تأكد من استخدام النموذج المناسب الموضح في وثائق نموذج BERT.

def make_bert_preprocess_model(sentence_features, seq_length=128):
  """Returns Model mapping string features to BERT inputs.

  Args:
    sentence_features: a list with the names of string-valued features.
    seq_length: an integer that defines the sequence length of BERT inputs.

  Returns:
    A Keras Model that can be called on a list or dict of string Tensors
    (with the order or names, resp., given by sentence_features) and
    returns a dict of tensors for input to BERT.
  """

  input_segments = [
      tf.keras.layers.Input(shape=(), dtype=tf.string, name=ft)
      for ft in sentence_features]

  # Tokenize the text to word pieces.
  bert_preprocess = hub.load(tfhub_handle_preprocess)
  tokenizer = hub.KerasLayer(bert_preprocess.tokenize, name='tokenizer')
  segments = [tokenizer(s) for s in input_segments]

  # Optional: Trim segments in a smart way to fit seq_length.
  # Simple cases (like this example) can skip this step and let
  # the next step apply a default truncation to approximately equal lengths.
  truncated_segments = segments

  # Pack inputs. The details (start/end token ids, dict of output tensors)
  # are model-dependent, so this gets loaded from the SavedModel.
  packer = hub.KerasLayer(bert_preprocess.bert_pack_inputs,
                          arguments=dict(seq_length=seq_length),
                          name='packer')
  model_inputs = packer(truncated_segments)
  return tf.keras.Model(input_segments, model_inputs)

دعونا نوضح نموذج المعالجة المسبقة. ستقوم بإنشاء اختبار بإدخال جملتين (المدخلات 1 والمدخلات 2). الإخراج هو ما نموذجا بيرت تتوقع كمدخل: input_word_ids ، input_masks و input_type_ids .

test_preprocess_model = make_bert_preprocess_model(['my_input1', 'my_input2'])
test_text = [np.array(['some random test sentence']),
             np.array(['another sentence'])]
text_preprocessed = test_preprocess_model(test_text)

print('Keys           : ', list(text_preprocessed.keys()))
print('Shape Word Ids : ', text_preprocessed['input_word_ids'].shape)
print('Word Ids       : ', text_preprocessed['input_word_ids'][0, :16])
print('Shape Mask     : ', text_preprocessed['input_mask'].shape)
print('Input Mask     : ', text_preprocessed['input_mask'][0, :16])
print('Shape Type Ids : ', text_preprocessed['input_type_ids'].shape)
print('Type Ids       : ', text_preprocessed['input_type_ids'][0, :16])
Keys           :  ['input_word_ids', 'input_mask', 'input_type_ids']
Shape Word Ids :  (1, 128)
Word Ids       :  tf.Tensor(
[ 101 2070 6721 3231 6251  102 2178 6251  102    0    0    0    0    0
    0    0], shape=(16,), dtype=int32)
Shape Mask     :  (1, 128)
Input Mask     :  tf.Tensor([1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0], shape=(16,), dtype=int32)
Shape Type Ids :  (1, 128)
Type Ids       :  tf.Tensor([0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0], shape=(16,), dtype=int32)

دعنا نلقي نظرة على هيكل النموذج ، مع الانتباه إلى المدخلين اللذين حددتهما للتو.

tf.keras.utils.plot_model(test_preprocess_model, show_shapes=True, show_dtype=True)
('You must install pydot (`pip install pydot`) and install graphviz (see instructions at https://graphviz.gitlab.io/download/) ', 'for plot_model/model_to_dot to work.')

لتطبيق تجهيزها في جميع المدخلات من مجموعة البيانات، واستخدام map وظيفة من ورقة العمل. ثم يتم تخزينها مؤقتا نتيجة لل أداء .

AUTOTUNE = tf.data.AUTOTUNE


def load_dataset_from_tfds(in_memory_ds, info, split, batch_size,
                           bert_preprocess_model):
  is_training = split.startswith('train')
  dataset = tf.data.Dataset.from_tensor_slices(in_memory_ds[split])
  num_examples = info.splits[split].num_examples

  if is_training:
    dataset = dataset.shuffle(num_examples)
    dataset = dataset.repeat()
  dataset = dataset.batch(batch_size)
  dataset = dataset.map(lambda ex: (bert_preprocess_model(ex), ex['label']))
  dataset = dataset.cache().prefetch(buffer_size=AUTOTUNE)
  return dataset, num_examples

حدد نموذجك

أنت الآن جاهز لتحديد النموذج الخاص بك لتصنيف الجملة أو الجملة عن طريق تغذية المدخلات المعالجة مسبقًا من خلال مشفر BERT ووضع مصنف خطي في الأعلى (أو ترتيب طبقات آخر كما تفضل) ، واستخدام التسرب للتسوية.

def build_classifier_model(num_classes):

  class Classifier(tf.keras.Model):
    def __init__(self, num_classes):
      super(Classifier, self).__init__(name="prediction")
      self.encoder = hub.KerasLayer(tfhub_handle_encoder, trainable=True)
      self.dropout = tf.keras.layers.Dropout(0.1)
      self.dense = tf.keras.layers.Dense(num_classes)

    def call(self, preprocessed_text):
      encoder_outputs = self.encoder(preprocessed_text)
      pooled_output = encoder_outputs["pooled_output"]
      x = self.dropout(pooled_output)
      x = self.dense(x)
      return x

  model = Classifier(num_classes)
  return model

دعنا نحاول تشغيل النموذج على بعض المدخلات المعالجة مسبقًا.

test_classifier_model = build_classifier_model(2)
bert_raw_result = test_classifier_model(text_preprocessed)
print(tf.sigmoid(bert_raw_result))
tf.Tensor([[0.29329836 0.44367802]], shape=(1, 2), dtype=float32)

اختر مهمة من GLUE

كنت تسير على استخدام TensorFlow DataSet من الغراء جناح المعيار.

يتيح لك Colab تنزيل مجموعات البيانات الصغيرة هذه إلى نظام الملفات المحلي ، ويقرأها الكود أدناه بالكامل في الذاكرة ، لأن مضيف عامل TPU المنفصل لا يمكنه الوصول إلى نظام الملفات المحلي لوقت تشغيل colab.

لمجموعات البيانات الكبيرة، سوف تحتاج إلى إنشاء الخاصة بك جوجل سحابة التخزين دلو ويكون للعامل TPU قراءة البيانات من هناك. يمكنك معرفة المزيد من المعلومات في دليل TPU .

من المستحسن أن تبدأ بمجموعة بيانات CoLa (لجملة واحدة) أو MRPC (لجملة متعددة) نظرًا لأنها صغيرة ولا تستغرق وقتًا طويلاً لضبطها.

Using glue/cola from TFDS
This dataset has 10657 examples
Number of classes: 2
Features ['sentence']
Splits ['train', 'validation', 'test']
Here are some sample rows from glue/cola dataset
['unacceptable', 'acceptable']

sample row 1
b'It is this hat that it is certain that he was wearing.'
label: 1 (acceptable)

sample row 2
b'Her efficient looking up of the answer pleased the boss.'
label: 1 (acceptable)

sample row 3
b'Both the workers will wear carnations.'
label: 1 (acceptable)

sample row 4
b'John enjoyed drawing trees for his syntax homework.'
label: 1 (acceptable)

sample row 5
b'We consider Leslie rather foolish, and Lou a complete idiot.'
label: 1 (acceptable)

تحدد مجموعة البيانات أيضًا نوع المشكلة (التصنيف أو الانحدار) ووظيفة الخسارة المناسبة للتدريب.

def get_configuration(glue_task):

  loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

  if glue_task == 'glue/cola':
    metrics = tfa.metrics.MatthewsCorrelationCoefficient(num_classes=2)
  else:
    metrics = tf.keras.metrics.SparseCategoricalAccuracy(
        'accuracy', dtype=tf.float32)

  return metrics, loss

تدريب نموذجك

أخيرًا ، يمكنك تدريب النموذج من البداية إلى النهاية على مجموعة البيانات التي اخترتها.

توزيع

استرجع رمز الإعداد في الجزء العلوي ، والذي ربط وقت تشغيل colab بعامل TPU مع أجهزة TPU متعددة. لتوزيع التدريب عليهم ، ستقوم بإنشاء وتجميع نموذج Keras الرئيسي الخاص بك في نطاق استراتيجية توزيع TPU. (لمزيد من التفاصيل، انظر الموزعة التدريب مع Keras ).

من ناحية أخرى ، تعمل المعالجة المسبقة على وحدة المعالجة المركزية للمضيف العامل ، وليس وحدات TPU ، لذا فإن نموذج Keras للمعالجة المسبقة بالإضافة إلى مجموعات بيانات التدريب والتحقق من الصحة التي تم تعيينها معها مبنية خارج نطاق استراتيجية التوزيع. الدعوة إلى Model.fit() سوف تأخذ الرعاية من توزيع مرت في مجموعة البيانات إلى النسخ المتماثلة نموذج.

محسن

صقل يتبع محسن مجموعة المتابعة من بيرت قبل التدريب (كما في النص صنف مع بيرت ): ويستخدم محسن AdamW مع تسوس خطية من معدل التعلم الأولي النظري، مسبوقة مع مرحلة الاحماء الخطية على أول 10٪ من خطوات التدريب ( num_warmup_steps ). تماشياً مع ورقة BERT ، يكون معدل التعلم الأولي أصغر للضبط الدقيق (أفضل من 5e-5 ، 3e-5 ، 2e-5).

epochs = 3
batch_size = 32
init_lr = 2e-5

print(f'Fine tuning {tfhub_handle_encoder} model')
bert_preprocess_model = make_bert_preprocess_model(sentence_features)

with strategy.scope():

  # metric have to be created inside the strategy scope
  metrics, loss = get_configuration(tfds_name)

  train_dataset, train_data_size = load_dataset_from_tfds(
      in_memory_ds, tfds_info, train_split, batch_size, bert_preprocess_model)
  steps_per_epoch = train_data_size // batch_size
  num_train_steps = steps_per_epoch * epochs
  num_warmup_steps = num_train_steps // 10

  validation_dataset, validation_data_size = load_dataset_from_tfds(
      in_memory_ds, tfds_info, validation_split, batch_size,
      bert_preprocess_model)
  validation_steps = validation_data_size // batch_size

  classifier_model = build_classifier_model(num_classes)

  optimizer = optimization.create_optimizer(
      init_lr=init_lr,
      num_train_steps=num_train_steps,
      num_warmup_steps=num_warmup_steps,
      optimizer_type='adamw')

  classifier_model.compile(optimizer=optimizer, loss=loss, metrics=[metrics])

  classifier_model.fit(
      x=train_dataset,
      validation_data=validation_dataset,
      steps_per_epoch=steps_per_epoch,
      epochs=epochs,
      validation_steps=validation_steps)
Fine tuning https://tfhub.dev/tensorflow/bert_en_uncased_L-12_H-768_A-12/3 model
/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/keras/engine/functional.py:585: UserWarning: Input dict contained keys ['idx', 'label'] which did not match any model input. They will be ignored by the model.
  [n for n in tensors.keys() if n not in ref_input_names])
Epoch 1/3
/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/tensorflow/python/framework/indexed_slices.py:449: UserWarning: Converting sparse IndexedSlices(IndexedSlices(indices=Tensor("AdamWeightDecay/gradients/StatefulPartitionedCall:1", shape=(None,), dtype=int32), values=Tensor("clip_by_global_norm/clip_by_global_norm/_0:0", dtype=float32), dense_shape=Tensor("AdamWeightDecay/gradients/StatefulPartitionedCall:2", shape=(None,), dtype=int32))) to a dense Tensor of unknown shape. This may consume a large amount of memory.
  "shape. This may consume a large amount of memory." % value)
267/267 [==============================] - 86s 81ms/step - loss: 0.6092 - MatthewsCorrelationCoefficient: 0.0000e+00 - val_loss: 0.4846 - val_MatthewsCorrelationCoefficient: 0.0000e+00
Epoch 2/3
267/267 [==============================] - 14s 53ms/step - loss: 0.3774 - MatthewsCorrelationCoefficient: 0.0000e+00 - val_loss: 0.5322 - val_MatthewsCorrelationCoefficient: 0.0000e+00
Epoch 3/3
267/267 [==============================] - 14s 53ms/step - loss: 0.2623 - MatthewsCorrelationCoefficient: 0.0000e+00 - val_loss: 0.6469 - val_MatthewsCorrelationCoefficient: 0.0000e+00

تصدير للاستدلال

ستنشئ نموذجًا نهائيًا يحتوي على جزء المعالجة المسبقة و BERT الدقيق الذي أنشأناه للتو.

في وقت الاستدلال ، يجب أن تكون المعالجة المسبقة جزءًا من النموذج (لأنه لم يعد هناك قائمة انتظار منفصلة للإدخال بالنسبة لبيانات التدريب التي تقوم بذلك). المعالجة المسبقة ليست مجرد حساب ؛ له موارده الخاصة (جدول المفردات) التي يجب إرفاقها بنموذج Keras الذي تم حفظه للتصدير. هذا التجميع النهائي هو ما سيتم حفظه.

أنت ذاهب لحفظ النموذج على colab وبعد ذلك يمكنك تحميل لإبقائه في المستقبل (عرض -> جدول المحتويات -> الملفات).

main_save_path = './my_models'
bert_type = tfhub_handle_encoder.split('/')[-2]
saved_model_name = f'{tfds_name.replace("/", "_")}_{bert_type}'

saved_model_path = os.path.join(main_save_path, saved_model_name)

preprocess_inputs = bert_preprocess_model.inputs
bert_encoder_inputs = bert_preprocess_model(preprocess_inputs)
bert_outputs = classifier_model(bert_encoder_inputs)
model_for_export = tf.keras.Model(preprocess_inputs, bert_outputs)

print('Saving', saved_model_path)

# Save everything on the Colab host (even the variables from TPU memory)
save_options = tf.saved_model.SaveOptions(experimental_io_device='/job:localhost')
model_for_export.save(saved_model_path, include_optimizer=False,
                      options=save_options)
Saving ./my_models/glue_cola_bert_en_uncased_L-12_H-768_A-12
WARNING:absl:Found untraced functions such as restored_function_body, restored_function_body, restored_function_body, restored_function_body, restored_function_body while saving (showing 5 of 910). These functions will not be directly callable after loading.

اختبر النموذج

الخطوة الأخيرة هي اختبار نتائج النموذج الذي قمت بتصديره.

فقط لإجراء بعض المقارنة ، دعنا نعيد تحميل النموذج ونختبره باستخدام بعض المدخلات من قسم الاختبار من مجموعة البيانات.

with tf.device('/job:localhost'):
  reloaded_model = tf.saved_model.load(saved_model_path)

طرق المنفعة

اختبار

with tf.device('/job:localhost'):
  test_dataset = tf.data.Dataset.from_tensor_slices(in_memory_ds[test_split])
  for test_row in test_dataset.shuffle(1000).map(prepare).take(5):
    if len(sentence_features) == 1:
      result = reloaded_model(test_row[0])
    else:
      result = reloaded_model(list(test_row))

    print_bert_results(test_row, result, tfds_name)
sentence: [b'An old woman languished in the forest.']
This sentence is acceptable
BERT raw results: tf.Tensor([-1.7032353  3.3714833], shape=(2,), dtype=float32)

sentence: [b"I went to the movies and didn't pick up the shirts."]
This sentence is acceptable
BERT raw results: tf.Tensor([-0.73970896  1.0806316 ], shape=(2,), dtype=float32)

sentence: [b"Every essay that she's written and which I've read is on that pile."]
This sentence is acceptable
BERT raw results: tf.Tensor([-0.7034159  0.6236454], shape=(2,), dtype=float32)

sentence: [b'Either Bill ate the peaches, or Harry.']
This sentence is unacceptable
BERT raw results: tf.Tensor([ 0.05972151 -0.08620442], shape=(2,), dtype=float32)

sentence: [b'I ran into the baker from whom I bought these bagels.']
This sentence is acceptable
BERT raw results: tf.Tensor([-1.6862067  3.285925 ], shape=(2,), dtype=float32)

إذا كنت ترغب في استخدام النموذج الخاص بك على TF التي تخدم ، وتذكر أنه سيدعو SavedModel من خلال واحدة من التوقيعات على اسمه. لاحظ أن هناك بعض الاختلافات الصغيرة في المدخلات. في Python ، يمكنك اختبارها على النحو التالي:

with tf.device('/job:localhost'):
  serving_model = reloaded_model.signatures['serving_default']
  for test_row in test_dataset.shuffle(1000).map(prepare_serving).take(5):
    result = serving_model(**test_row)
    # The 'prediction' key is the classifier's defined model name.
    print_bert_results(list(test_row.values()), result['prediction'], tfds_name)
sentence: b'Everyone attended more than two seminars.'
This sentence is acceptable
BERT raw results: tf.Tensor([-1.5594155  2.862155 ], shape=(2,), dtype=float32)

sentence: b'Most columnists claim that a senior White House official has been briefing them.'
This sentence is acceptable
BERT raw results: tf.Tensor([-1.6298996  3.3155093], shape=(2,), dtype=float32)

sentence: b"That my father, he's lived here all his life is well known to those cops."
This sentence is acceptable
BERT raw results: tf.Tensor([-1.2048947  1.8589772], shape=(2,), dtype=float32)

sentence: b'Ourselves like us.'
This sentence is acceptable
BERT raw results: tf.Tensor([-1.2723312  2.0494034], shape=(2,), dtype=float32)

sentence: b'John is clever.'
This sentence is acceptable
BERT raw results: tf.Tensor([-1.6516167  3.3147635], shape=(2,), dtype=float32)

أنت فعلت ذلك! يمكن استخدام النموذج المحفوظ للخدمة أو الاستدلال البسيط في عملية ما ، باستخدام واجهة برمجة تطبيقات أبسط برمز أقل وأسهل في الصيانة.

الخطوات التالية

الآن بعد أن جربت أحد طرازات BERT الأساسية ، يمكنك تجربة نماذج أخرى لتحقيق مزيد من الدقة أو ربما باستخدام إصدارات أصغر.

يمكنك أيضًا المحاولة في مجموعات البيانات الأخرى.