使用BERT进行多标签分类

Question

我想使用BERT模型对Tensorflow进行多标签分类。

要做到这一点，我想适应的例子run_classifier.py来自BERT GitHub的仓库，这是关于如何使用BERT做简单的分类，使用一个例子由谷歌研究给出预训练的权重。（例如使用BERT-Base, Cased）

我有X不同的标签，它们的值为0或1，所以我想在原始BERT模型中添加一个新的Dense层，X并使用sigmoid_cross_entropy_with_logits激活函数。

因此，从理论上讲，我认为我很好。

问题是我不知道如何附加一个新的输出层，并使用现有BertModel类仅使用我的数据集重新训练该新层。

这是我想必须从中进行修改的原始create_model()功能run_classifier.py。但是我对如何做却有些迷茫。

def create_model(bert_config, is_training, input_ids, input_mask, segment_ids,
                 labels, num_labels, use_one_hot_embeddings):
  """Creates a classification model."""
  model = modeling.BertModel(
      config=bert_config,
      is_training=is_training,
      input_ids=input_ids,
      input_mask=input_mask,
      token_type_ids=segment_ids,
      use_one_hot_embeddings=use_one_hot_embeddings)

  output_layer = model.get_pooled_output()

  hidden_size = output_layer.shape[-1].value

  output_weights = tf.get_variable(
      "output_weights", [num_labels, hidden_size],
      initializer=tf.truncated_normal_initializer(stddev=0.02))

  output_bias = tf.get_variable(
      "output_bias", [num_labels], initializer=tf.zeros_initializer())

  with tf.variable_scope("loss"):
    if is_training:
      # I.e., 0.1 dropout
      output_layer = tf.nn.dropout(output_layer, keep_prob=0.9)

    logits = tf.matmul(output_layer, output_weights, transpose_b=True)
    logits = tf.nn.bias_add(logits, output_bias)
    probabilities = tf.nn.softmax(logits, axis=-1)
    log_probs = tf.nn.log_softmax(logits, axis=-1)

    one_hot_labels = tf.one_hot(labels, depth=num_labels, dtype=tf.float32)

    per_example_loss = -tf.reduce_sum(one_hot_labels * log_probs, axis=-1)
    loss = tf.reduce_mean(per_example_loss)

    return (loss, per_example_loss, logits, probabilities)

这是相同的功能，但有一些修改，但是哪里缺少东西（也有错误的东西？）

def create_model(bert_config, is_training, input_ids, input_mask, segment_ids, labels, num_labels):
  """Creates a classification model."""
  model = modeling.BertModel(
      config=bert_config,
      is_training=is_training,
      input_ids=input_ids,
      input_mask=input_mask,
      token_type_ids=segment_ids)

  output_layer = model.get_pooled_output()

  hidden_size = output_layer.shape[-1].value

  output_weights = tf.get_variable("output_weights", [num_labels, hidden_size],initializer=tf.truncated_normal_initializer(stddev=0.02))

  output_bias = tf.get_variable("output_bias", [num_labels], initializer=tf.zeros_initializer())

  with tf.variable_scope("loss"):
    if is_training:
      # I.e., 0.1 dropout
      output_layer = tf.nn.dropout(output_layer, keep_prob=0.9)

    logits = tf.matmul(output_layer, output_weights, transpose_b=True)
    logits = tf.nn.bias_add(logits, output_bias)
    probabilities = tf.nn.softmax(logits, axis=-1)
    log_probs = tf.nn.log_softmax(logits, axis=-1)

    per_example_loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=labels, logits=logits)

    loss = tf.reduce_mean(per_example_loss)

    return (loss, per_example_loss, logits, probabilities)

我在代码中进行了其他修改，并且没有遇到任何问题：

• DataProcessor加载和解析我的自定义数据集
• 随时随地将标签变量的类型从数值更改为数组

因此，如果有人知道我应该怎么做才能解决我的问题，或者甚至指出我可能犯了一些明显的错误，我将很高兴听到它。

注意事项：

• 我发现这篇文章与我要尝试的内容非常吻合，但是它使用了PyTorch，并且无法将其转换为Tensorflow。

Answer 1

您想要用在模型上为每个类别建模独立分布的Sigmoid代替对可能的输出（所有分数加起来等于一个）的单一分布建模的softmax（对每个输出都有是/否的分布）。

因此，您可以正确更改损失函数，但是还需要更改计算概率的方式。它应该是：

probabilities = tf.sigmoid(logits)

在这种情况下，您不需要log_probs。