人工智能：预训练语言模型与BERT实战应用
人工智能：预训练语言模型与BERT实战应用
1.1 本章学习目标与重点
💡 学习目标：掌握预训练语言模型的核心思想、BERT模型的架构原理，以及基于BERT的文本分类任务实战流程。
💡 学习重点：理解BERT的双向注意力机制与掩码语言模型预训练任务，学会使用Hugging Face Transformers库调用BERT模型并完成微调。
1.2 预训练语言模型的发展历程与核心思想
1.2.1 为什么需要预训练语言模型
💡 传统的自然语言处理模型（如LSTM+词嵌入）存在两个核心痛点：一是需要大量标注数据才能训练出高性能模型，二是模型对语言上下文的理解能力有限。
预训练语言模型的出现解决了这些问题。它的核心思路是先在大规模无标注文本语料上进行预训练，学习通用的语言知识和语义表示，再针对特定任务进行微调。这种“预训练+微调”的范式，极大降低了对标注数据的依赖，同时显著提升了模型在各类NLP任务上的性能。
预训练语言模型的发展可以分为三个阶段：
- 单向语言模型阶段：以ELMo为代表，通过双向LSTM分别学习正向和反向的语言表示，再拼接得到词向量。但ELMo本质还是基于RNN的特征提取器，无法捕捉深层的上下文依赖。
- 自回归语言模型阶段：以GPT为代表，采用单向Transformer解码器架构，通过自回归的方式预测下一个词。但单向模型只能利用前文信息，无法利用后文信息，在理解类任务上表现受限。
- 双向语言模型阶段：以BERT为代表，采用双向Transformer编码器架构，通过掩码语言模型任务，让模型同时学习前文和后文的信息，真正实现了双向上下文理解。
1.2.2 预训练+微调的核心流程
预训练语言模型的应用流程分为两个关键步骤：
- 预训练阶段：在大规模无标注语料（如维基百科、书籍语料）上，通过设计特定的预训练任务（如掩码语言模型、下一句预测），让模型学习语言的语法、语义和常识知识，得到通用的语言表示模型。
- 微调阶段：针对具体的NLP任务（如文本分类、命名实体识别、机器翻译），在预训练模型的基础上，添加少量任务相关的输出层，使用少量标注数据进行训练，得到任务专用模型。
⚠️ 注意：预训练阶段通常需要海量的计算资源和数据，一般由大厂或研究机构完成。普通开发者只需下载预训练好的模型权重，直接进行微调即可。
1.3 BERT模型架构与预训练任务详解
1.3.1 BERT的核心架构
💡 BERT的全称是Bidirectional Encoder Representations from Transformers，即基于Transformer编码器的双向表示模型。它的核心架构是多层双向Transformer编码器，没有解码器部分。
BERT的模型结构有两个版本，满足不同的算力需求：
- BERT-Base：12层Transformer编码器，12个注意力头，隐藏层维度768，参数量约110M。
- BERT-Large：24层Transformer编码器，16个注意力头，隐藏层维度1024，参数量约340M。
BERT的输入表示是三种嵌入的求和：
- 词嵌入（Token Embedding）：表示每个词的基础语义信息。
- 分段嵌入（Segment Embedding）：用于区分两个句子（如判断句子是否为上下文关系），取值为0或1。
- 位置嵌入（Position Embedding）：和Transformer一样，用于注入词的位置信息，因为Transformer本身是无序的。
import tensorflow as tf from transformers import BertConfig, BertModel # 加载BERT-Base配置 config = BertConfig.from_pretrained('bert-base-uncased')# 初始化BERT模型 bert_model = BertModel.from_pretrained('bert-base-uncased')# 模拟输入：batch_size=2，sequence_length=10 input_ids = tf.random.randint(0, config.vocab_size,(2,10)) attention_mask = tf.ones((2,10))# 1表示有效token，0表示填充token token_type_ids = tf.zeros((2,10))# 0表示第一个句子，1表示第二个句子# 获取BERT输出 outputs = bert_model(input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids) last_hidden_state = outputs.last_hidden_state # 最后一层隐藏状态，shape=(2,10,768) pooler_output = outputs.pooler_output # 特殊token [CLS]的输出，shape=(2,768)print("最后一层隐藏状态形状：", last_hidden_state.shape)print("CLS token输出形状：", pooler_output.shape)1.3.2 BERT的预训练任务
BERT的预训练包含两个核心任务，通过这两个任务让模型学习双向上下文信息：
- 掩码语言模型（Masked Language Model, MLM）
- 随机选择15%的token进行掩码处理：80%的概率替换为
[MASK]，10%的概率替换为随机token，10%的概率保持原token不变。 - 模型的任务是预测被掩码的token的原始值。这个任务强制模型学习上下文的双向依赖关系，因为要预测掩码token，必须同时考虑前后文的信息。
- 随机选择15%的token进行掩码处理：80%的概率替换为
- 下一句预测（Next Sentence Prediction, NSP）
- 输入一对句子（A和B），50%的概率B是A的真实下一句，50%的概率B是随机选择的句子。
- 模型的任务是判断B是否是A的下一句。这个任务让模型学习句子之间的逻辑关系，适用于问答、文本摘要等需要理解句子关系的任务。
⚠️ 注意：后续的研究发现，NSP任务对部分下游任务的提升有限，甚至可能带来负面影响。因此，一些改进版的BERT模型（如RoBERTa）取消了NSP任务。
1.4 Hugging Face Transformers库快速上手
💡 Hugging Face Transformers是目前最流行的预训练语言模型工具库，它提供了包括BERT、GPT、RoBERTa、T5等在内的数百种预训练模型的实现，支持TensorFlow和PyTorch两种框架，极大简化了预训练模型的使用流程。
1.4.1 安装与环境配置
首先安装Transformers库和相关依赖：
pip install transformers datasets tensorflow 1.4.2 核心组件介绍
Transformers库的核心组件包括：
- Config：存储模型的配置信息，如层数、隐藏层维度、注意力头数等。
- Tokenizer：负责文本的预处理，包括分词、转换为token id、添加特殊token、填充和截断等。
- Model：预训练模型的核心代码，不同的模型对应不同的Model类，如
BertModel、BertForSequenceClassification等。
1.5 实战：基于BERT的中文文本分类任务
1.5.1 任务介绍与数据集准备
💡 本次实战任务是中文新闻文本分类。我们使用THUCNews数据集的子集，包含10个新闻类别：体育、娱乐、家居、房产、教育、时尚、时政、游戏、科技、财经。我们的目标是基于BERT-base-chinese模型，搭建文本分类模型，实现对新闻类别的自动判断。
① 加载THUCNews子集数据集，划分训练集、验证集和测试集
② 使用BertTokenizer对文本进行分词处理，转换为模型可接受的输入格式
③ 设置序列最大长度为128，对过长的文本进行截断，过短的文本进行填充
from datasets import load_dataset from transformers import BertTokenizerFast # 加载数据集（这里使用本地的THUCNews子集，也可以使用Hugging Face Hub上的公开数据集） dataset = load_dataset('csv', data_files={'train':'thucnews_train.csv','val':'thucnews_val.csv','test':'thucnews_test.csv'})# 加载中文BERT分词器 tokenizer = BertTokenizerFast.from_pretrained('bert-base-chinese')# 定义文本预处理函数defpreprocess_function(examples):# 对文本进行分词、转换为token id、填充和截断return tokenizer( examples['text'], max_length=128, padding='max_length', truncation=True)# 对数据集进行预处理 tokenized_dataset = dataset.map(preprocess_function, batched=True)# 重命名标签列，适配模型输入 tokenized_dataset = tokenized_dataset.rename_column('label','labels')# 设置数据集格式为TensorFlow格式 tokenized_dataset.set_format(type='tensorflow', columns=['input_ids','attention_mask','labels'])# 生成训练集和验证集的tf.data.Dataset batch_size =32 train_dataset = tokenized_dataset['train'].to_tf_dataset( columns=['input_ids','attention_mask'], label_cols=['labels'], batch_size=batch_size, shuffle=True) val_dataset = tokenized_dataset['val'].to_tf_dataset( columns=['input_ids','attention_mask'], label_cols=['labels'], batch_size=batch_size, shuffle=False)1.5.2 搭建BERT文本分类模型
💡 我们使用BertForSequenceClassification类，它是BERT模型针对序列分类任务的专用版本。它在BERT的输出层后，添加了一个全连接层，用于将[CLS]token的输出映射到分类标签空间。
from transformers import TFBertForSequenceClassification # 加载BERT中文预训练模型，指定分类类别数为10 model = TFBertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=10, problem_type='single_label_classification')# 编译模型 model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=2e-5), loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=[tf.keras.metrics.SparseCategoricalAccuracy('accuracy')])# 查看模型结构 model.summary()⚠️ 注意：BERT模型的学习率通常设置为2e-5或5e-5，远小于普通深度学习模型的学习率。这是因为预训练模型已经学习了丰富的语言知识，过高的学习率会破坏预训练的权重。
1.5.3 模型微调与评估
① 设置训练参数，训练轮数设置为3轮（BERT模型微调通常不需要太多轮数，否则容易过拟合）
② 使用验证集监控模型性能，保存最佳模型
③ 在测试集上评估模型的最终性能
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping # 定义回调函数 callbacks =[# 早停：当验证集损失不再下降时停止训练 EarlyStopping(monitor='val_loss', patience=1, restore_best_weights=True),# 保存最佳模型 ModelCheckpoint('best_bert_thucnews.h5', monitor='val_accuracy', save_best_only=True)]# 开始微调模型 history = model.fit( train_dataset, validation_data=val_dataset, epochs=3, callbacks=callbacks )# 加载测试集 test_dataset = tokenized_dataset['test'].to_tf_dataset( columns=['input_ids','attention_mask'], label_cols=['labels'], batch_size=batch_size, shuffle=False)# 在测试集上评估模型 test_loss, test_acc = model.evaluate(test_dataset)print(f"测试集损失：{test_loss:.4f}")print(f"测试集准确率：{test_acc:.4f}")1.5.4 模型预测与推理
训练完成后，我们可以使用模型对新的中文文本进行分类预测：
# 定义预测函数defpredict_text_category(text):# 预处理文本 inputs = tokenizer( text, max_length=128, padding='max_length', truncation=True, return_tensors='tf')# 获取预测结果 outputs = model(inputs) logits = outputs.logits # 转换为类别概率 probabilities = tf.nn.softmax(logits, axis=-1)# 获取预测类别 predicted_label = tf.argmax(probabilities, axis=-1).numpy()[0]# 类别映射字典 label_map ={0:'体育',1:'娱乐',2:'家居',3:'房产',4:'教育',5:'时尚',6:'时政',7:'游戏',8:'科技',9:'财经'}return label_map[predicted_label]# 测试预测 test_text ="北京时间10月1日，2024年巴黎奥运会男篮决赛在法兰西体育场举行，美国队以102-87击败法国队，夺得金牌。"print(f"文本内容：{test_text}")print(f"预测类别：{predict_text_category(test_text)}")1.6 BERT模型的优化与改进方向
1.6.1 模型优化技巧
💡 技巧1：使用学习率调度器。在微调过程中，使用线性学习率衰减策略，让学习率随着训练轮数的增加而逐渐降低，提升模型的泛化能力。
💡 技巧2：使用梯度累积。当显存不足时，可以使用梯度累积技术，将多个小批次的梯度累积起来，再进行一次参数更新，相当于增大了批次大小。
💡 技巧3：使用知识蒸馏。将大模型（如BERT-Large）的知识蒸馏到小模型（如DistilBERT）中，在保证性能损失较小的前提下，显著提升模型的推理速度。
1.6.2 BERT的改进模型
BERT提出后，研究者们提出了许多改进版本，进一步提升了模型性能：
- RoBERTa：取消了NSP任务，使用更大的批次大小和更多的训练数据，性能全面超越BERT。
- ALBERT：通过参数共享技术，大幅减少模型参数量，提升训练效率。
- ERNIE：百度提出的中文增强版BERT，通过引入实体级和短语级的掩码策略，提升了模型对中文语义的理解能力。
- SpanBERT：将掩码单位从单个token改为连续的token span，提升了模型对短语和实体的建模能力。
1.7 本章总结
✅ 预训练语言模型采用“预训练+微调”的范式，先在大规模无标注语料上学习通用语言知识，再针对具体任务进行微调。
✅ BERT是基于双向Transformer编码器的预训练模型，通过掩码语言模型和下一句预测任务，实现了双向上下文理解。
✅ 使用Hugging Face Transformers库可以快速调用BERT模型，只需少量代码即可完成中文文本分类等任务的微调。
✅ BERT模型的微调需要注意学习率的设置，通常使用2e-5或5e-5的小学习率，避免破坏预训练权重。
