预训练语言模型核心原理与 BERT 实战

预训练任务机制

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：

1. 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。

2. 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。

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。

安装与环境配置

首先安装 Transformers 库和相关依赖：

pip install transformers datasets tensorflow

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。

实战：基于 BERT 的中文文本分类

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. 数据集准备与预处理

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
def preprocess_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
)

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。

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}")

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
def predict_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)}")

优化与改进方向

模型优化技巧

• 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。
• 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。
• 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。

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。

小结

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。微调时需注意学习率的设置，通常使用 2e-5 或 5e-5 的小学习率，避免破坏预训练权重。