豆瓣评分预测（如何用自己的数据集进行文本分类）——基于pytorch的 BERT中文文本分类，超详细教程必会(1)
bert
TensorFlow code and pre-trained models for BERT
项目地址：https://gitcode.com/gh_mirrors/be/bert
免费下载资源
·
1.加载数据
由于豆瓣数据为DMSC.csv格式，所以我们通过pd.read_csv函数读取数据，该函数是用来读取csv格式的文件，将表格数据转化成dataframe格式。
#读取数据
data = pd.read_csv('DMSC.csv')
#观察数据格式
data.head()
#输出数据的一些相关信息
data.info()
#只保留数据中我们需要的两列：Comment列和Star列
data = data[['Comment','Star']]
#观察新的数据的格式
data.head()
输出结果：
| Comment | Star | |
|---|---|---|
| 0 | 连奥创都知道整容要去韩国。 | 3 |
| 1 | “一个没有黑暗面的人不值得信任。” 第二部剥去冗长的铺垫，开场即高潮、一直到结束，会有人觉… | 4 |
| 2 | 奥创弱爆了弱爆了弱爆了啊！！！！！！ | 2 |
| 3 | 与第一集不同，承上启下，阴郁严肃，但也不会不好看啊，除非本来就不喜欢漫威电影。场面更加宏大… | 4 |
| 4 | 看毕，我激动地对友人说，等等奥创要来毁灭台北怎么办厚，她拍了拍我肩膀，没事，反正你买了两份… | 5 |
2. 文本预处理
由于一开始送训练数据进入BERT时，提示出现空白字符无法转换以及label标签范围不符合的问题，所以再一次将数据进行预处理，将空白去除以及标签为评分减一。
def clear_character(sentence):
new_sentence=''.join(sentence.split()) #去除空白
return new_sentence
data["comment_processed"]=data['Comment'].apply(clear_character)
data['label']=data['Star']-1
data.head()
输出结果：
| Comment | Star | comment_processed | label | |
|---|---|---|---|---|
| 0 | 连奥创都知道整容要去韩国。 | 3 | 连奥创都知道整容要去韩国。 | 2 |
| 1 | “一个没有黑暗面的人不值得信任。” 第二部剥去冗长的铺垫，开场即高潮、一直到结束，会有人觉… | 4 | “一个没有黑暗面的人不值得信任。”第二部剥去冗长的铺垫，开场即高潮、一直到结束，会有人觉得只… | 3 |
| 2 | 奥创弱爆了弱爆了弱爆了啊！！！！！！ | 2 | 奥创弱爆了弱爆了弱爆了啊！！！！！！ | 1 |
| 3 | 与第一集不同，承上启下，阴郁严肃，但也不会不好看啊，除非本来就不喜欢漫威电影。场面更加宏大… | 4 | 与第一集不同，承上启下，阴郁严肃，但也不会不好看啊，除非本来就不喜欢漫威电影。场面更加宏大，… | 3 |
| 4 | 看毕，我激动地对友人说，等等奥创要来毁灭台北怎么办厚，她拍了拍我肩膀，没事，反正你买了两份… | 5 | 看毕，我激动地对友人说，等等奥创要来毁灭台北怎么办厚，她拍了拍我肩膀，没事，反正你买了两份旅… | 4 |
3.划分训练集和测试集
通过train_test_split()函数进行数据集的划分。
from sklearn.model_selection import train_test_split
X = data[['comment_processed','label']]
test_ratio = 0.2
comments_train, comments_test = train_test_split(X,test_size=test_ratio, random_state=0)
print(comments_train.head(),comments_test.head)
4.保存txt格式
由于BERT里面的存储格式为txt以及文本加标签，所以通过dataframe.to_csv函数存储。
comments_train.to_csv('train.txt', sep='\t', index=False,header=False)
comments_test.to_csv('test.txt', sep='\t', index=False,header=False)
输出结果：
三、BERT模型
1. 特征转换
在run.py中先将保存好的训练数据、测试数据、验证数据转化为BERT向量。
print("Loading data...")
train_data, dev_data, test_data = build_dataset(config)
train_iter = build_iterator(train_data, config)
dev_iter = build_iterator(dev_data, config)
test_iter = build_iterator(test_data, config)
time_dif = get_time_dif(start_time)
print("Time usage:", time_dif)
def load_dataset(path, pad_size=32):
contents = []
with open(path, 'r', encoding='UTF-8') as f: # 读取数据
for line in tqdm(f):
lin = line.strip()
if not lin:
continue
if len(lin.split('\t')) == 2:
content, label = lin.split('\t')
token = config.tokenizer.tokenize(content) # 分词
token = [CLS] + token # 句首加入CLS
seq_len = len(token)
mask = []
token_ids = config.tokenizer.convert_tokens_to_ids(token)
if pad_size:
if len(token) < pad_size:
mask = [1] * len(token_ids) + [0] * (pad_size - len(token))
token_ids += ([0] * (pad_size - len(token)))
else:
mask = [1] * pad_size
token_ids = token_ids[:pad_size]
seq_len = pad_size
contents.append((token_ids, int(label), seq_len, mask))
return contents
调用tokenizer，使用tokenizer分割输入，将数据转换为特征。
特征中包含4个数据：
- **tokens_ids：**分词后每个词语在vocabulary中的id，补全符号对应的id为0，[CLS]和[SEP]的id分别为101和102。应注意的是，在中文BERT模型中，中文分词是基于字而非词的分词。
- **mask：**真实字符/补全字符标识符，真实文本的每个字对应1，补全符号对应0，[CLS]和[SEP]也为1。
- seq_len：句子长度
- label：将label_list中的元素利用字典转换为index标识。
转换特征中一个元素的例子是：
**输入：**剧情有的承接欠缺，画面人设很棒。 3
tokens_ids:[101, 1196, 2658, 3300, 4638, 2824, 2970, 3612, 5375, 8024, 4514, 7481, 782, 6392, 2523, 3472, 511, 0,…,0]
mask:[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…,0]
**label:**3
**seq_len:**17
2.模型训练
完成读取数据、特征转换之后，将特征送入模型进行训练。
训练算法为BERT专用的Adam算法
训练集、测试集、验证集比例为6:2:2
每100轮会在验证集上进行验证，并给出相应的准确值，如果准确值大于此前最高分则保存模型参数，否则flags加1。如果flags大于1000，也即连续1000轮模型的性能都没有继续优化，停止训练过程。
for epoch in range(config.num_epochs):
print('Epoch [{}/{}]'.format(epoch + 1, config.num_epochs))
for i, (trains, labels) in enumerate(train_iter):
outputs = model(trains)
model.zero_grad()
loss = F.cross_entropy(outputs, labels)
loss.backward()
optimizer.step()
if total_batch % 100 == 0:
# 每多少轮输出在训练集和验证集上的效果
true = labels.data.cpu()
predic = torch.max(outputs.data, 1)[1].cpu()
train_acc = metrics.accuracy_score(true, predic)
dev_acc, dev_loss = evaluate(config, model, dev_iter)
if dev_loss < dev_best_loss:
dev_best_loss = dev_loss
torch.save(model.state_dict(), config.save_path)
improve = '*'
last_improve = total_batch
else:
improve = ''
time_dif = get_time_dif(start_time)
msg = 'Iter: {0:>6}, Train Loss: {1:>5.2}, Train Acc: {2:>6.2%}, Val Loss: {3:>5.2}, Val Acc: {4:>6.2%}, Time: {5} {6}'
print(msg.format(total_batch, loss.item(), train_acc, dev_loss, dev_acc, time_dif, improve))
model.train()
total_batch += 1
if total_batch - last_improve > config.require_improvement:
# 验证集loss超过1000batch没下降，结束训练
print("No optimization for a long time, auto-stopping...")
flag = True
break
if flag:
break
test(config, model, test_iter)
训练结果：
1245it [00:00, 6290.83it/s]Loading data...
170004it [00:28, 6068.60it/s]
42502it [00:07, 6017.43it/s]
42502it [00:06, 6228.82it/s]
Time usage: 0:00:42
Epoch [1/5]
Iter: 0, Train Loss: 1.8, Train Acc: 3.12%, Val Loss: 1.7, Val Acc: 9.60%, Time: 0:02:14 *
Iter: 100, Train Loss: 1.5, Train Acc: 25.00%, Val Loss: 1.4, Val Acc: 20.60%, Time: 0:05:10 *
...
Iter: 5300, Train Loss: 0.75, Train Acc: 65.62%, Val Loss: 1.0, Val Acc: 50.07%, Time: 2:45:41 *
Epoch [2/5]
Iter: 5400, Train Loss: 1.0, Train Acc: 62.50%, Val Loss: 1.0, Val Acc: 51.02%, Time: 2:48:46
...
Iter: 7000, Train Loss: 0.77, Train Acc: 75.00%, Val Loss: 1.0, Val Acc: 52.84%, Time: 3:38:26
No optimization for a long time, auto-stopping...
Test Loss: 1.0, Test Acc: 50.89%
Precision, Recall and F1-Score...
precision recall f1-score support
1 0.6157 0.5901 0.6026 3706
2 0.5594 0.1481 0.2342 3532
3 0.4937 0.5883 0.5369 9678
4 0.4903 0.5459 0.5166 12899
5 0.6693 0.6394 0.6540 12687
accuracy 0.5543 42502
macro avg 0.5657 0.5024 0.5089 42502
weighted avg 0.5612 0.5543 0.5463 42502
Time usage: 0:02:25
从训练结果可以看出准确率和F1分数最多只能达到60%，其实仔细分析评论也可以知道原因：
相近分数的差异性与评论相关性不大，比如两分的评论可能有时候与一分三分是一样的，这就导致很难根据评论准确的预测出分数，但是从测试结果可以明显的看出好评和差评能够明显区分出来，准确率能达到百分之九十。
3.模型测试
测试的时候与训练同样的原理，也是先将数据转化为特征，送入训练好的模型中，得到结果。
def final_predict(config, model, data_iter):
map_location = lambda storage, loc: storage
model.load_state_dict(torch.load(config.save_path, map_location=map_location))
model.eval()
predict_all = np.array([])
with torch.no_grad():
for texts, _ in data_iter:
outputs = model(texts)
### 一、网安学习成长路线图
网安所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
### 二、网安视频合集
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
### 三、精品网安学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
### 四、网络安全源码合集+工具包
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
### 五、网络安全面试题
最后就是大家最关心的网络安全面试题板块
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友，可以点击这里获取](https://bbs.csdn.net/topics/618540462)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
GitHub 加速计划 / be / bert
8
2
下载
TensorFlow code and pre-trained models for BERT
最近提交(Master分支：3 个月前 )
eedf5716
Add links to 24 smaller BERT models. 4 年前
8028c045 - 4 年前
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
12
0- 0
已为社区贡献1条内容
所有评论(0)