人工智能：预训练语言模型与BERT实战应用

优质文章学习记录

— 12 min read
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

在这里插入图片描述

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：

  1. 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。
  2. 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。
  3. 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：

  1. 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。
  2. 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：

  1. 词嵌入（Token Embedding）：表示每个词的基础语义信息。
  2. 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。
  3. 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：

  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。

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。

Read more

宇树机器人g1二次开发：建图，定位，导航手把手教程（二）建图部分：开始一直到打开rviz教程

注意： 本教程为ros1,需要ubuntu20.04,使用算法为fase_lio 本教程为遵循的网上开源项目：https://github.com/deepglint/FAST_LIO_LOCALIZATION_HUMANOID.git 一、系统环境准备 1.1. 安装必要的依赖库 # 安装C++标准库 sudo apt install libc++-dev libc++abi-dev # 安装Eigen3线性代数库 sudo apt-get install libeigen3-dev 库说明： * libc++-dev：C++标准库开发文件 * libeigen3-dev：线性代数库，用于矩阵运算和几何变换 * 这些是编译FAST-LIO和Open3D必需的数学和系统库 二、创建工作空间和准备 2.1. 创建定位工作空间 mkdir
一文搞懂Webhook：原理、实操与Langflow落地场景

一文搞懂Webhook：原理、实操与Langflow落地场景

Webhook作为现代系统集成的核心轻量通信机制，以“事件驱动”模式实现跨应用实时数据同步，解决了传统API轮询效率低、资源浪费的痛点。本文从定义、工作原理、核心优势、安全实践四个维度拆解Webhook，重点讲解Langflow产品中Webhook组件的实用操作，并结合企业协作、供应链管理、客户服务等实际场景，展示其如何快速实现无代码/低代码的自动化工作流，帮助开发者与业务人员高效落地跨系统联动需求。 一、什么是Webhook？核心认知拆解 简单来说，Webhook是一种基于HTTP回调的被动式通信机制，本质是“事件触发+自动推送”的桥梁——当系统A发生特定事件（如订单支付、代码提交、消息发送）时，会主动向系统B预先配置的URL（回调地址）发送请求，将事件数据实时推送至系统B，无需系统B主动查询（即轮询）。 类比生活场景：传统API轮询像你反复刷新快递物流页面查进度，而Webhook像快递员送货上门时主动打电话通知你，高效且无需额外操作。其核心价值在于“实时性”与“低资源消耗”，这也是它被广泛应用于现代应用集成的关键原因。 1.1 核心工作流程（4步闭环）
【前端】前端面试题

【前端】前端面试题

前端面试题 闭包 1. 定义： 闭包（Closure） 是指一个函数能够访问并记住其外部作用域中的变量，即使外部函数已经执行完毕。闭包由两部分组成： * 一个函数（通常是内部函数）。 * 该函数被创建时所在的作用域（即外部函数的变量环境） functionouter(){let count =0;// 外部函数的变量functioninner(){ count++;// 内部函数访问外部变量 console.log(count);}return inner;}const counter =outer();counter();// 输出 1counter();// 输出 2 2. 闭包的核心原理 * 作用域链：函数在定义时，会记住自己的词法环境（即外部作用域）。当内部函数访问变量时，会沿着作用域链向上查找。 * 变量持久化：闭包使得外部函数的变量不会被垃圾回收，因为内部函数仍持有对它们的引用 3. 闭包的常见用途 3.1 私有变量封装 通过闭包隐藏内部变量，