Ajuda a proteger a Grande Barreira de Corais com TensorFlow em Kaggle Junte Desafio

Ajustando um modelo BERT

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno Veja o modelo TF Hub

Neste exemplo, trabalharemos por meio do ajuste fino de um modelo de BERT usando o pacote tensorflow-models PIP.

O modelo BERT pré-treinado este tutorial baseia-se também está disponível no TensorFlow Hub , para ver como usá-lo se referir ao Apêndice Hub

Configurar

Instale o pacote TensorFlow Model Garden pip

  • tf-models-official é o estábulo pacote Modelo Garden. Note-se que ele pode não incluir as últimas alterações ocorridas nos tensorflow_models repositório no GitHub. Para incluir as últimas alterações, você pode instalar tf-models-nightly , que é o pacote Modelo Garden noturno criados diariamente automaticamente.
  • pip instalará todos os modelos e dependências automaticamente.
pip install -q -U tensorflow-text
pip install -q tf-models-official==2.4.0

Importações

import os

import numpy as np
import matplotlib.pyplot as plt

import tensorflow as tf

import tensorflow_hub as hub
import tensorflow_datasets as tfds
tfds.disable_progress_bar()

from official.modeling import tf_utils
from official import nlp
from official.nlp import bert

# Load the required submodules
import official.nlp.optimization
import official.nlp.bert.bert_models
import official.nlp.bert.configs
import official.nlp.bert.run_classifier
import official.nlp.bert.tokenization
import official.nlp.data.classifier_data_lib
import official.nlp.modeling.losses
import official.nlp.modeling.models
import official.nlp.modeling.networks
/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/pkg_resources/__init__.py:119: PkgResourcesDeprecationWarning: 0.18ubuntu0.18.04.1 is an invalid version and will not be supported in a future release
  PkgResourcesDeprecationWarning,

Recursos

Este diretório contém a configuração, vocabulário e um ponto de verificação pré-treinado usado neste tutorial:

gs_folder_bert = "gs://cloud-tpu-checkpoints/bert/v3/uncased_L-12_H-768_A-12"
tf.io.gfile.listdir(gs_folder_bert)
['bert_config.json',
 'bert_model.ckpt.data-00000-of-00001',
 'bert_model.ckpt.index',
 'vocab.txt']

Você pode obter um codificador BERT pré-treinados desde TensorFlow Hub :

hub_url_bert = "https://tfhub.dev/tensorflow/bert_en_uncased_L-12_H-768_A-12/3"

Os dados

Para este exemplo, utilizamos o conjunto de dados COLA MRPC de TFDS .

Este conjunto de dados não está configurado de forma que possa ser alimentado diretamente no modelo BERT, portanto, esta seção também trata do pré-processamento necessário.

Obtenha o conjunto de dados do TensorFlow Datasets

O Microsoft Research Paraphrase Corpus (Dolan & Brockett, 2005) é um corpus de pares de frases extraído automaticamente de fontes de notícias online, com anotações humanas para determinar se as frases do par são semanticamente equivalentes.

  • Número de etiquetas: 2.
  • Tamanho do conjunto de dados de treinamento: 3668.
  • Tamanho do conjunto de dados de avaliação: 408.
  • Comprimento máximo da sequência do conjunto de dados de treinamento e avaliação: 128.
glue, info = tfds.load('glue/mrpc', with_info=True,
                       # It's small, load the whole dataset
                       batch_size=-1)
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_datasets/core/dataset_builder.py:622: get_single_element (from tensorflow.python.data.experimental.ops.get_single_element) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.data.Dataset.get_single_element()`.
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow_datasets/core/dataset_builder.py:622: get_single_element (from tensorflow.python.data.experimental.ops.get_single_element) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.data.Dataset.get_single_element()`.
list(glue.keys())
['train', 'validation', 'test']

O info objeto descreve o conjunto de dados e suas características:

info.features
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=tf.string),
    'sentence2': Text(shape=(), dtype=tf.string),
})

As duas classes são:

info.features['label'].names
['not_equivalent', 'equivalent']

Aqui está um exemplo do conjunto de treinamento:

glue_train = glue['train']

for key, value in glue_train.items():
  print(f"{key:9s}: {value[0].numpy()}")
idx      : 1680
label    : 0
sentence1: b'The identical rovers will act as robotic geologists , searching for evidence of past water .'
sentence2: b'The rovers act as robotic geologists , moving on six wheels .'

O tokenizer BERT

Para ajustar um modelo pré-treinado, você precisa ter certeza de que está usando exatamente a mesma tokenização, vocabulário e mapeamento de índice que usou durante o treinamento.

O tokenizer BERT usado neste tutorial foi escrito em Python puro (não é construído a partir de operações do TensorFlow). Então você não pode simplesmente ligá-lo em seu modelo como um keras.layer como você pode com preprocessing.TextVectorization .

O código a seguir reconstrói o tokenizer que foi usado pelo modelo básico:

# Set up tokenizer to generate Tensorflow dataset
tokenizer = bert.tokenization.FullTokenizer(
    vocab_file=os.path.join(gs_folder_bert, "vocab.txt"),
     do_lower_case=True)

print("Vocab size:", len(tokenizer.vocab))
Vocab size: 30522

Tokenizar uma frase:

tokens = tokenizer.tokenize("Hello TensorFlow!")
print(tokens)
ids = tokenizer.convert_tokens_to_ids(tokens)
print(ids)
['hello', 'tensor', '##flow', '!']
[7592, 23435, 12314, 999]

Pré-processar os dados

A seção pré-processou manualmente o conjunto de dados no formato esperado pelo modelo.

Este conjunto de dados é pequeno, então o pré-processamento pode ser feito de forma rápida e fácil na memória. Para conjuntos de dados maiores do tf_models biblioteca inclui algumas ferramentas para pré-processamento e re-serialização de um conjunto de dados. Veja Apêndice: Re-codificando um grande conjunto de dados para obter detalhes.

Codifique as sentenças

O modelo espera que suas duas sentenças de entrada sejam concatenadas. Esta entrada é esperado para começar com [CLS] "Este é um problema de classificação" forma, e cada frase deve terminar com um [SEP] "Separator" token:

tokenizer.convert_tokens_to_ids(['[CLS]', '[SEP]'])
[101, 102]

Comece por codificação de todas as frases, enquanto acrescentando um [SEP] símbolo, e embalando-os em Ragged-tensores:

def encode_sentence(s):
   tokens = list(tokenizer.tokenize(s.numpy()))
   tokens.append('[SEP]')
   return tokenizer.convert_tokens_to_ids(tokens)

sentence1 = tf.ragged.constant([
    encode_sentence(s) for s in glue_train["sentence1"]])
sentence2 = tf.ragged.constant([
    encode_sentence(s) for s in glue_train["sentence2"]])
print("Sentence1 shape:", sentence1.shape.as_list())
print("Sentence2 shape:", sentence2.shape.as_list())
Sentence1 shape: [3668, None]
Sentence2 shape: [3668, None]

Agora preceder um [CLS] símbolo, e concatenar os tensores ásperas de modo a formar um único input_word_ids tensor para cada exemplo. RaggedTensor.to_tensor() zero de almofadas para a sequência mais longa.

cls = [tokenizer.convert_tokens_to_ids(['[CLS]'])]*sentence1.shape[0]
input_word_ids = tf.concat([cls, sentence1, sentence2], axis=-1)
_ = plt.pcolormesh(input_word_ids.to_tensor())

png

Máscara e tipo de entrada

O modelo espera duas entradas adicionais:

  • A máscara de entrada
  • O tipo de entrada

A máscara permite que o modelo diferencie claramente entre o conteúdo e o preenchimento. A máscara tem a mesma forma que os input_word_ids , e contém um 1 em qualquer lugar as input_word_ids não é acolchoar.

input_mask = tf.ones_like(input_word_ids).to_tensor()

plt.pcolormesh(input_mask)
<matplotlib.collections.QuadMesh at 0x7fa22c0ecc50>

png

O "input type" também tem a mesma forma, mas no interior da região não acolchoada, contém um 0 ou um 1 , indicando que a frase token é uma parte de.

type_cls = tf.zeros_like(cls)
type_s1 = tf.zeros_like(sentence1)
type_s2 = tf.ones_like(sentence2)
input_type_ids = tf.concat([type_cls, type_s1, type_s2], axis=-1).to_tensor()

plt.pcolormesh(input_type_ids)
<matplotlib.collections.QuadMesh at 0x7fa1cc682490>

png

Junte tudo

Recolhe-se o código de texto de análise acima em uma única função, e aplicá-lo para cada divisão da glue/mrpc conjunto de dados.

def encode_sentence(s, tokenizer):
   tokens = list(tokenizer.tokenize(s))
   tokens.append('[SEP]')
   return tokenizer.convert_tokens_to_ids(tokens)

def bert_encode(glue_dict, tokenizer):
  num_examples = len(glue_dict["sentence1"])

  sentence1 = tf.ragged.constant([
      encode_sentence(s, tokenizer)
      for s in np.array(glue_dict["sentence1"])])
  sentence2 = tf.ragged.constant([
      encode_sentence(s, tokenizer)
       for s in np.array(glue_dict["sentence2"])])

  cls = [tokenizer.convert_tokens_to_ids(['[CLS]'])]*sentence1.shape[0]
  input_word_ids = tf.concat([cls, sentence1, sentence2], axis=-1)

  input_mask = tf.ones_like(input_word_ids).to_tensor()

  type_cls = tf.zeros_like(cls)
  type_s1 = tf.zeros_like(sentence1)
  type_s2 = tf.ones_like(sentence2)
  input_type_ids = tf.concat(
      [type_cls, type_s1, type_s2], axis=-1).to_tensor()

  inputs = {
      'input_word_ids': input_word_ids.to_tensor(),
      'input_mask': input_mask,
      'input_type_ids': input_type_ids}

  return inputs
glue_train = bert_encode(glue['train'], tokenizer)
glue_train_labels = glue['train']['label']

glue_validation = bert_encode(glue['validation'], tokenizer)
glue_validation_labels = glue['validation']['label']

glue_test = bert_encode(glue['test'], tokenizer)
glue_test_labels  = glue['test']['label']

Cada subconjunto dos dados foi convertido em um dicionário de recursos e um conjunto de rótulos. Cada recurso no dicionário de entrada tem a mesma forma e o número de rótulos deve corresponder a:

for key, value in glue_train.items():
  print(f'{key:15s} shape: {value.shape}')

print(f'glue_train_labels shape: {glue_train_labels.shape}')
input_word_ids  shape: (3668, 103)
input_mask      shape: (3668, 103)
input_type_ids  shape: (3668, 103)
glue_train_labels shape: (3668,)

O modelo

Construir o modelo

A primeira etapa é baixar a configuração do modelo pré-treinado.

import json

bert_config_file = os.path.join(gs_folder_bert, "bert_config.json")
config_dict = json.loads(tf.io.gfile.GFile(bert_config_file).read())

bert_config = bert.configs.BertConfig.from_dict(config_dict)

config_dict
{'attention_probs_dropout_prob': 0.1,
 'hidden_act': 'gelu',
 'hidden_dropout_prob': 0.1,
 'hidden_size': 768,
 'initializer_range': 0.02,
 'intermediate_size': 3072,
 'max_position_embeddings': 512,
 'num_attention_heads': 12,
 'num_hidden_layers': 12,
 'type_vocab_size': 2,
 'vocab_size': 30522}

A config define o núcleo BERT modelo, que é um modelo para prever Keras as saídas de num_classes das entradas com comprimento máximo sequência max_seq_length .

Esta função retorna o codificador e o classificador.

bert_classifier, bert_encoder = bert.bert_models.classifier_model(
    bert_config, num_labels=2)

O classificador tem três entradas e uma saída:

tf.keras.utils.plot_model(bert_classifier, show_shapes=True, dpi=48)

png

Execute-o em um lote de teste de 10 exemplos de dados do conjunto de treinamento. A saída são os logits para as duas classes:

glue_batch = {key: val[:10] for key, val in glue_train.items()}

bert_classifier(
    glue_batch, training=True
).numpy()
array([[ 0.10071337,  0.05758326],
       [ 0.05382514,  0.30056837],
       [ 0.00795104,  0.1443476 ],
       [ 0.03538848, -0.04541291],
       [ 0.0905486 ,  0.3010756 ],
       [-0.09503749,  0.26234314],
       [-0.00378452,  0.19791688],
       [-0.09037939,  0.2433937 ],
       [-0.03041902,  0.07568075],
       [ 0.30516896,  0.08384045]], dtype=float32)

O TransformerEncoder no centro do classificador acima é o bert_encoder .

Inspecionando o codificador, vemos a sua pilha de Transformer camadas ligado a esses mesmos três entradas:

tf.keras.utils.plot_model(bert_encoder, show_shapes=True, dpi=48)

png

Restaura os pesos do codificador

Quando construído, o codificador é inicializado aleatoriamente. Restaure os pesos do codificador do ponto de verificação:

checkpoint = tf.train.Checkpoint(encoder=bert_encoder)
checkpoint.read(
    os.path.join(gs_folder_bert, 'bert_model.ckpt')).assert_consumed()
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7fa18848bb50>

Configure o otimizador

BERT adota o otimizador de Adam com a decadência de peso (aka " AdamW "). Ele também emprega uma programação de taxa de aprendizagem que primeiro aquece de 0 e depois diminui para 0.

# Set up epochs and steps
epochs = 3
batch_size = 32
eval_batch_size = 32

train_data_size = len(glue_train_labels)
steps_per_epoch = int(train_data_size / batch_size)
num_train_steps = steps_per_epoch * epochs
warmup_steps = int(epochs * train_data_size * 0.1 / batch_size)

# creates an optimizer with learning rate schedule
optimizer = nlp.optimization.create_optimizer(
    2e-5, num_train_steps=num_train_steps, num_warmup_steps=warmup_steps)

Isso retorna um AdamWeightDecay otimizador com o conjunto cronograma taxa de aprendizagem:

type(optimizer)
official.nlp.optimization.AdamWeightDecay

Para ver um exemplo de como personalizar o otimizador e da agenda, consulte a agenda apêndice Optimizer .

Treine o modelo

A métrica é a precisão e usamos entropia cruzada categórica esparsa como perda.

metrics = [tf.keras.metrics.SparseCategoricalAccuracy('accuracy', dtype=tf.float32)]
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

bert_classifier.compile(
    optimizer=optimizer,
    loss=loss,
    metrics=metrics)

bert_classifier.fit(
      glue_train, glue_train_labels,
      validation_data=(glue_validation, glue_validation_labels),
      batch_size=32,
      epochs=epochs)
Epoch 1/3
115/115 [==============================] - 37s 220ms/step - loss: 0.5972 - accuracy: 0.7034 - val_loss: 0.4941 - val_accuracy: 0.7794
Epoch 2/3
115/115 [==============================] - 24s 211ms/step - loss: 0.4228 - accuracy: 0.8171 - val_loss: 0.4503 - val_accuracy: 0.8137
Epoch 3/3
115/115 [==============================] - 24s 211ms/step - loss: 0.2852 - accuracy: 0.8956 - val_loss: 0.4061 - val_accuracy: 0.8162
<keras.callbacks.History at 0x7fa1884d0b50>

Agora execute o modelo ajustado em um exemplo personalizado para ver se funciona.

Comece codificando alguns pares de frases:

my_examples = bert_encode(
    glue_dict = {
        'sentence1':[
            'The rain in Spain falls mainly on the plain.',
            'Look I fine tuned BERT.'],
        'sentence2':[
            'It mostly rains on the flat lands of Spain.',
            'Is it working? This does not match.']
    },
    tokenizer=tokenizer)

O modelo deve reportar classe 1 "jogo" para o primeiro exemplo e classe 0 "no-match" para a segunda:

result = bert_classifier(my_examples, training=False)

result = tf.argmax(result).numpy()
result
array([1, 0])
np.array(info.features['label'].names)[result]
array(['equivalent', 'not_equivalent'], dtype='<U14')

Salve o modelo

Muitas vezes, o objetivo do treinamento de um modelo é usá-lo para alguma coisa, então exportar o modelo e, em seguida, restaurá-lo para ter certeza de que ele funciona.

export_dir='./saved_model'
tf.saved_model.save(bert_classifier, export_dir=export_dir)
2021-11-12 13:12:55.273917: W tensorflow/python/util/util.cc:368] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
WARNING:absl:Found untraced functions such as self_attention_layer_call_fn, self_attention_layer_call_and_return_conditional_losses, dropout_layer_call_fn, dropout_layer_call_and_return_conditional_losses, self_attention_layer_norm_layer_call_fn while saving (showing 5 of 900). These functions will not be directly callable after loading.
INFO:tensorflow:Assets written to: ./saved_model/assets
INFO:tensorflow:Assets written to: ./saved_model/assets
reloaded = tf.saved_model.load(export_dir)
reloaded_result = reloaded([my_examples['input_word_ids'],
                            my_examples['input_mask'],
                            my_examples['input_type_ids']], training=False)

original_result = bert_classifier(my_examples, training=False)

# The results are (nearly) identical:
print(original_result.numpy())
print()
print(reloaded_result.numpy())
[[-1.0493996   1.3163755 ]
 [ 0.674296   -0.87380654]]

[[-1.0493993  1.3163751]
 [ 0.6742962 -0.873807 ]]

Apêndice

Recodificando um grande conjunto de dados

Neste tutorial, você recodificou o conjunto de dados na memória, para maior clareza.

Isto só foi possível por causa glue/mrpc é um conjunto de dados muito pequeno. Para lidar com conjuntos de dados maiores tf_models biblioteca inclui algumas ferramentas para o processamento e re-codificação de um conjunto de dados para treinamento eficiente.

A primeira etapa é descrever quais recursos do conjunto de dados devem ser transformados:

processor = nlp.data.classifier_data_lib.TfdsProcessor(
    tfds_params="dataset=glue/mrpc,text_key=sentence1,text_b_key=sentence2",
    process_text_fn=bert.tokenization.convert_to_unicode)

Em seguida, aplique a transformação para gerar novos arquivos TFRecord.

# Set up output of training and evaluation Tensorflow dataset
train_data_output_path="./mrpc_train.tf_record"
eval_data_output_path="./mrpc_eval.tf_record"

max_seq_length = 128
batch_size = 32
eval_batch_size = 32

# Generate and save training data into a tf record file
input_meta_data = (
    nlp.data.classifier_data_lib.generate_tf_record_from_data_file(
      processor=processor,
      data_dir=None,  # It is `None` because data is from tfds, not local dir.
      tokenizer=tokenizer,
      train_data_output_path=train_data_output_path,
      eval_data_output_path=eval_data_output_path,
      max_seq_length=max_seq_length))

Finalmente criar tf.data dutos de entrada desses arquivos TFRecord:

training_dataset = bert.run_classifier.get_dataset_fn(
    train_data_output_path,
    max_seq_length,
    batch_size,
    is_training=True)()

evaluation_dataset = bert.run_classifier.get_dataset_fn(
    eval_data_output_path,
    max_seq_length,
    eval_batch_size,
    is_training=False)()

O resultando tf.data.Datasets retorno (features, labels) pares, como esperado por keras.Model.fit :

training_dataset.element_spec
({'input_word_ids': TensorSpec(shape=(32, 128), dtype=tf.int32, name=None),
  'input_mask': TensorSpec(shape=(32, 128), dtype=tf.int32, name=None),
  'input_type_ids': TensorSpec(shape=(32, 128), dtype=tf.int32, name=None)},
 TensorSpec(shape=(32,), dtype=tf.int32, name=None))

Crie tf.data.Dataset para treinamento e avaliação

Se você precisar modificar o carregamento de dados, aqui está um código para você começar:

def create_classifier_dataset(file_path, seq_length, batch_size, is_training):
  """Creates input dataset from (tf)records files for train/eval."""
  dataset = tf.data.TFRecordDataset(file_path)
  if is_training:
    dataset = dataset.shuffle(100)
    dataset = dataset.repeat()

  def decode_record(record):
    name_to_features = {
      'input_ids': tf.io.FixedLenFeature([seq_length], tf.int64),
      'input_mask': tf.io.FixedLenFeature([seq_length], tf.int64),
      'segment_ids': tf.io.FixedLenFeature([seq_length], tf.int64),
      'label_ids': tf.io.FixedLenFeature([], tf.int64),
    }
    return tf.io.parse_single_example(record, name_to_features)

  def _select_data_from_record(record):
    x = {
        'input_word_ids': record['input_ids'],
        'input_mask': record['input_mask'],
        'input_type_ids': record['segment_ids']
    }
    y = record['label_ids']
    return (x, y)

  dataset = dataset.map(decode_record,
                        num_parallel_calls=tf.data.AUTOTUNE)
  dataset = dataset.map(
      _select_data_from_record,
      num_parallel_calls=tf.data.AUTOTUNE)
  dataset = dataset.batch(batch_size, drop_remainder=is_training)
  dataset = dataset.prefetch(tf.data.AUTOTUNE)
  return dataset
# Set up batch sizes
batch_size = 32
eval_batch_size = 32

# Return Tensorflow dataset
training_dataset = create_classifier_dataset(
    train_data_output_path,
    input_meta_data['max_seq_length'],
    batch_size,
    is_training=True)

evaluation_dataset = create_classifier_dataset(
    eval_data_output_path,
    input_meta_data['max_seq_length'],
    eval_batch_size,
    is_training=False)
training_dataset.element_spec
({'input_word_ids': TensorSpec(shape=(32, 128), dtype=tf.int64, name=None),
  'input_mask': TensorSpec(shape=(32, 128), dtype=tf.int64, name=None),
  'input_type_ids': TensorSpec(shape=(32, 128), dtype=tf.int64, name=None)},
 TensorSpec(shape=(32,), dtype=tf.int64, name=None))

TFModels BERT no TFHub

Você pode obter o modelo BERT da prateleira de TFHub . Não seria difícil adicionar uma cabeça de classificação no topo desta hub.KerasLayer

# Note: 350MB download.
import tensorflow_hub as hub

hub_encoder = hub.KerasLayer(f"https://tfhub.dev/tensorflow/{hub_model_name}/3",
                             trainable=True)

print(f"The Hub encoder has {len(hub_encoder.trainable_variables)} trainable variables")
The Hub encoder has 199 trainable variables

Teste-o em um lote de dados:

result = hub_encoder(
    inputs=dict(
        input_word_ids=glue_train['input_word_ids'][:10],
        input_mask=glue_train['input_mask'][:10],
        input_type_ids=glue_train['input_type_ids'][:10],),
    training=False,
)

print("Pooled output shape:", result['pooled_output'].shape)
print("Sequence output shape:", result['sequence_output'].shape)
Pooled output shape: (10, 768)
Sequence output shape: (10, 103, 768)

Neste ponto, seria simples adicionar você mesmo um cabeçalho de classificação.

O bert_models.classifier_model função também pode construir um classificador para o codificador de TensorFlow Hub:

hub_classifier = nlp.modeling.models.BertClassifier(
    bert_encoder,
    num_classes=2,
    dropout_rate=0.1,
    initializer=tf.keras.initializers.TruncatedNormal(
        stddev=0.02))

A única desvantagem de carregar este modelo do TFHub é que a estrutura das camadas keras internas não é restaurada. Portanto, é mais difícil inspecionar ou modificar o modelo. O BertEncoder modelo é agora uma camada única:

tf.keras.utils.plot_model(hub_classifier, show_shapes=True, dpi=64)

png

try:
  tf.keras.utils.plot_model(hub_encoder, show_shapes=True, dpi=64)
  assert False
except Exception as e:
  print(f"{type(e).__name__}: {e}")
AttributeError: 'KerasLayer' object has no attribute 'layers'

Construção de modelo de baixo nível

Se você precisa de um maior controle sobre a construção do modelo é importante notar que o classifier_model função usada anteriormente é realmente apenas um invólucro fino sobre os nlp.modeling.networks.BertEncoder e nlp.modeling.models.BertClassifier classes. Lembre-se de que, se você começar a modificar a arquitetura, pode não ser correto ou possível recarregar o ponto de verificação pré-treinado, portanto, você precisará treinar do zero.

Crie o codificador:

bert_encoder_config = config_dict.copy()

# You need to rename a few fields to make this work:
bert_encoder_config['attention_dropout_rate'] = bert_encoder_config.pop('attention_probs_dropout_prob')
bert_encoder_config['activation'] = tf_utils.get_activation(bert_encoder_config.pop('hidden_act'))
bert_encoder_config['dropout_rate'] = bert_encoder_config.pop('hidden_dropout_prob')
bert_encoder_config['initializer'] = tf.keras.initializers.TruncatedNormal(
          stddev=bert_encoder_config.pop('initializer_range'))
bert_encoder_config['max_sequence_length'] = bert_encoder_config.pop('max_position_embeddings')
bert_encoder_config['num_layers'] = bert_encoder_config.pop('num_hidden_layers')

bert_encoder_config
{'hidden_size': 768,
 'intermediate_size': 3072,
 'num_attention_heads': 12,
 'type_vocab_size': 2,
 'vocab_size': 30522,
 'attention_dropout_rate': 0.1,
 'activation': <function official.modeling.activations.gelu.gelu(x)>,
 'dropout_rate': 0.1,
 'initializer': <keras.initializers.initializers_v2.TruncatedNormal at 0x7f9d1011da50>,
 'max_sequence_length': 512,
 'num_layers': 12}
manual_encoder = nlp.modeling.networks.BertEncoder(**bert_encoder_config)

Restaure os pesos:

checkpoint = tf.train.Checkpoint(encoder=manual_encoder)
checkpoint.read(
    os.path.join(gs_folder_bert, 'bert_model.ckpt')).assert_consumed()
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f9d10142d50>

Faça um teste:

result = manual_encoder(my_examples, training=True)

print("Sequence output shape:", result[0].shape)
print("Pooled output shape:", result[1].shape)
Sequence output shape: (2, 23, 768)
Pooled output shape: (2, 768)

Envolva-o em um classificador:

manual_classifier = nlp.modeling.models.BertClassifier(
        bert_encoder,
        num_classes=2,
        dropout_rate=bert_encoder_config['dropout_rate'],
        initializer=bert_encoder_config['initializer'])
manual_classifier(my_examples, training=True).numpy()
array([[-0.23401603, -0.3458405 ],
       [ 0.2552695 , -0.28906718]], dtype=float32)

Otimizadores e programações

O otimizador usados para treinar o modelo foi criada usando o nlp.optimization.create_optimizer função:

optimizer = nlp.optimization.create_optimizer(
    2e-5, num_train_steps=num_train_steps, num_warmup_steps=warmup_steps)

Esse wrapper de alto nível configura as programações de taxa de aprendizagem e o otimizador.

O cronograma de taxa de aprendizado básico usado aqui é uma queda linear a zero durante a execução do treinamento:

epochs = 3
batch_size = 32
eval_batch_size = 32

train_data_size = len(glue_train_labels)
steps_per_epoch = int(train_data_size / batch_size)
num_train_steps = steps_per_epoch * epochs
decay_schedule = tf.keras.optimizers.schedules.PolynomialDecay(
      initial_learning_rate=2e-5,
      decay_steps=num_train_steps,
      end_learning_rate=0)

plt.plot([decay_schedule(n) for n in range(num_train_steps)])
[<matplotlib.lines.Line2D at 0x7f9d11235d90>]

png

Este, por sua vez, é enrolada num WarmUp programação que aumenta linearmente a taxa de aprendizagem para o valor alvo em relação ao primeiro 10% de formação:

warmup_steps = num_train_steps * 0.1

warmup_schedule = nlp.optimization.WarmUp(
        initial_learning_rate=2e-5,
        decay_schedule_fn=decay_schedule,
        warmup_steps=warmup_steps)

# The warmup overshoots, because it warms up to the `initial_learning_rate`
# following the original implementation. You can set
# `initial_learning_rate=decay_schedule(warmup_steps)` if you don't like the
# overshoot.
plt.plot([warmup_schedule(n) for n in range(num_train_steps)])
[<matplotlib.lines.Line2D at 0x7f9d109551d0>]

png

Em seguida, criar o nlp.optimization.AdamWeightDecay usando programação que, configurado para o modelo BERT:

optimizer = nlp.optimization.AdamWeightDecay(
        learning_rate=warmup_schedule,
        weight_decay_rate=0.01,
        epsilon=1e-6,
        exclude_from_weight_decay=['LayerNorm', 'layer_norm', 'bias'])