AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


从零实现大模型-BERT微调
发布日期:2024-06-24 12:45:45 浏览次数: 1600
The Annotated Transformer注释加量版:复现Transformer,训练翻译模型
The Annotated GPT2注释加量版:GPT2预训练
The Annotated BERT注释加量版:BERT预训练
从零实现大模型-GPT2指令微调:GPT2指令微调

按照顺序,轮也该轮到BERT指令微调了吧!

是微调,但不是指令微调!

我们在之前的文章介绍过大模型的多种微调方法,指令微调只是其中一种,就像训犬一样,让它坐就坐,让它卧就卧,同理,你让LLM翻译,它不是去总结,你让总结,它不是去情感分析。
大语言模型白皮书,让你彻底搞懂训练,微调和提示工程

指令微调在像GPT这种自回归的模型中应用多一些。我们在前一篇文章中基于GPT-2预训练模型进行了指令微调。

除了指令微调,还有一种比较常用的是任务微调,预训练模型虽然具备一定的知识,但尚不能直接用于某些具体任务。

例如,虽然在BERT的预训练过程中,通过Masked Language Model (MLM)和Next Sentence Prediction (NSP)使其学习了语言的基本特征。

Masked Language Model (MLM)

Next Sentence Prediction (NSP)

但它仍不能直接用于自然语言推理(NLI)和问答(QA)等具体任务。因此,今天我们将对之前的BERT预训练模型进行进一步微调,使其能够更好地适应这些具体任务。

但完整代码如下,请结合代码阅读本文。
https://github.com/AIDajiangtang/LLM-from-scratch/blob/main/Bert_fine_tune_from_scratch.ipynb

在正式开始之前,有几点需要注意:
1.在微调阶段,模型架构与预训练要一致,2.使用预训练模型的权重进行初始化而非随机初始化,3.使用预训练相同的分词方法和词表,4.输入数据的格式与预训练阶段一致。例如,BERT模型通常要求输入序列包含[CLS]和[SEP]标记。

所以在下载预训练模型时,除了下载模型参数,通常还要下载配套的词表和模型超参数。

['bert_config.json', 'bert_model.ckpt.data-00000-of-00001', 'bert_model.ckpt.index', 'vocab.txt']


如果要扩充词表来支持多语言,那模型结构中的嵌入层和输出层也需要更改,所以往往需要重新预训练。


有了前面四篇文章的烘托,本篇文章会忽略重复内容。

/ 01 /

微调任务1:自然语言推理

自然语言推理任务通常是判断两个句子之间的逻辑关系(如蕴涵、矛盾或中立)。

Next Sentence Prediction (NSP)可以看作是一种特殊的自然语言推理任务。

1.训练数据

本次微调用的数据来自GLUE MRPC,数据由成对的句子构成,并且还有一个人工标注的标签,表示两个句子是否语义相似。

 FeaturesDict({    'idx': int32,    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),    'sentence1': Text(shape=(), dtype=string),    'sentence2': Text(shape=(), dtype=string),})

下面打印一条数据。

idx      : 1680label    : 0sentence1: b'The identical rovers will act as robotic geologists , searching for evidence of past water .'sentence2: b'The rovers act as robotic geologists , moving on six wheels .'


  • 对于每个样本中的句子对,拼接成一个输入序列,格式为:[CLS] 句子A [SEP] 句子B [SEP]。

  • 使用BERT的分词器将输入序列分词,并将其转换为输入ID、注意力掩码和类型ID。


词表参数:{'vocab_size': 30522, 'start_of_sequence_id': 101, 'end_of_segment_id': 102, 'padding_id': 0, 'mask_id': 103}

设置batch_size=32,max_seq_length = 128。

输入ID

模型的输入X。

'input_word_ids': <tf.Tensor: shape=(32, 128), dtype=int32, numpy= array([[ 101, 1996, 7235, ...,    0,    0,    0],        [ 101, 2625, 2084, ...,    0,    0,    0],        [ 101, 6804, 1011, ...,    0,    0,    0],        ...,        [ 101, 2021, 2049, ...,    0,    0,    0],        [ 101, 2274, 2062, ...,    0,    0,    0],        [ 101, 2043, 1037, ...,    0,    0,    0]], dtype=int32)>


注意力掩码:

注意力掩码用于区分实际的 token 和填充的 token,1表示实际的 token,0表示填充的 token。

在多头注意力计算时,注意力掩码会将填充位置对应的注意力权重设置为负无穷(通常是一个非常大的负数,如 -10^9),这样在通过 softmax 计算时,这些位置的权重就会接近于零,从而使这些填充位置不会对注意力分数产生影响

在计算损失时,通常会忽略填充位置对应的 token。

'input_mask': <tf.Tensor: shape=(32, 128), dtype=int32, numpy= array([[1, 1, 1, ..., 0, 0, 0],        [1, 1, 1, ..., 0, 0, 0],        [1, 1, 1, ..., 0, 0, 0],        ...,        [1, 1, 1, ..., 0, 0, 0],        [1, 1, 1, ..., 0, 0, 0],        [1, 1, 1, ..., 0, 0, 0]], dtype=int32)>,

类型ID:

表示token属于哪个句子,0表示属于句子A,1表示数据句子B。

'input_type_ids': <tf.Tensor: shape=(32, 128), dtype=int32, numpy= array([[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, ..., 0, 0, 0],        [0, 0, 0, ..., 0, 0, 0]], dtype=int32)>


在将token id转换成词嵌入向量时,会将类型id视为segment Embedding。


标签:

['not_equivalent', 'equivalent']->[0,1]

0:表示两个句子语义相似

1:表示两个句子语义相似。

<tf.Tensor: shape=(32,), dtype=int64, numpy=array([0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1,       1, 1, 1, 1, 1, 0, 0, 1, 0, 1])>

到此,我们就构造了模型输入和标签。

input_word_ids  shape: (32, 128)input_mask      shape: (32, 128)input_type_ids  shape: (32, 128)labels          shape: (32,)


2.模型

在模型架构上,相对于BERT预训练,在微调过程中,会在模型的输出层添加一个分类层。这个分类层的输入是[CLS]标记对应的隐藏状态,其输出是表示类别概率的logits。

因为EMB_SIZE = 768,所以分类层的输入(32, 768),输出(32, 768,2)

3.微调

超参数EMB_SIZE = 768//词嵌入维度HIDDEN_SIZE = 768 BATCH_SIZE = 32 #batch sizeNUM_HEADS = 4 //头的个数


3.1.词嵌入

接下来将token ids转换成embedding,在Bert中,每个token都涉及到三种嵌入,第一种是Token embedding,token id转换成词嵌入向量,第二种是位置编码。还有一种是Segment embedding。用于表示哪个句子,0表示第一个句子,1表示第二个句子。

根据超参数EMB_SIZE = 768,所以词嵌入维度768Token embedding通过一个嵌入层[30522,768]将输入[32,128]映射成[32,128,768]。

30522是词表的大小,[30522,768]的嵌入层可以看作是30522个位置索引的查找表,每个位置存储768维向量。

位置编码可以通过学习的方式获得,也可以通过固定计算方式获得,本次采用固定计算方式。

Segment embedding和输入X大小一致,第一个句子对应为0,第二个位置为1。

最后将三个embedding相加,然后将输出的embedding[32,128,768]输入到编码器中。

3.2.多头注意力

编码器的第一个操作是多头注意力,与Transformer和GPT中不同的是,不计算[PAD]的注意力,会将[PAD]对应位置的注意力分数设置为一个非常小的值,使之经过softmax后为0。

多头注意力的输出维度[32,128,768]。

3.3.MLP

与Transformer和GPT中的一致,MLP的输出维度[32,128,768]。

3.4.输出

编码器的输出[32,128,768],但我们只需要[CLS]对应的输出[32,768]。

二分类损失

通过另一个线性层[768,2]将开头的[CLS]的输出[32,768]映射成[32,2],表示属于正负类的概率,然后与标签[32,]计算交叉熵损失。


/ 02 /

微调任务2:问答

问答任务通常是给定一个段落和一个问题,模型需要从段落中找出答案的起始位置和结束位置。

示例

假设我们有一个段落和一个问题:

段落:"BERT is a model developed by Google for natural language processing tasks. It stands for Bidirectional Encoder Representations from Transformers."

问题:"Who developed BERT?"

我们需要从段落中找出答案的起始位置和结束位置。在这个例子中,答案是 "Google",它在段落中的位置如下:

  • 起始位置:6 (第7个词,"Google")

  • 结束位置:6 (第7个词,"Google")



超参数max_seq_length = 128EMB_SIZE = 768//词嵌入维度HIDDEN_SIZE = 768 BATCH_SIZE = 32 #batch sizeNUM_HEADS = 4 //头的个数


1.训练数据

  • 输入预处理

  • 将段落和问题转换为BERT的输入格式:[CLS] 问题 [SEP] 段落 [SEP]。



    例如:[CLS] Who developed BERT? [SEP] BERT is a model developed by Google for natural language processing tasks. It stands for Bidirectional Encoder Representations from Transformers. [SEP]

  • 分词和ID转换

  • 使用BERT的分词器将输入序列分词,并将其转换为输入ID、注意力掩码和类型ID。

    input_word_ids  shape: (32, 128)input_mask      shape: (32, 128)input_type_ids  shape: (32, 128)labels          shape: (32, 128, 2)#标记起始位置和结束位置


2.模型

  • 经过BERT模型的编码器处理后,每个标记都会有一个对应的隐藏状态向量。

  • 假设输入序列长度为L,那么输出将是一个形状为 (L, H) 的矩阵,其中L是序列长度,H是隐藏状态的维度(通常为768)。

  • 我们在BERT模型的输出层添加两个分类层(全连接层),分别用于预测答案的起始位置和结束位置。

  • 这些分类层的输入是每个标记对应的隐藏状态向量,其输出是表示起始和结束位置的logits。

上图中的start就是用于预测答案起始位置的全连接层。

3.微调

3.1.词嵌入

接下来将token ids转换成embedding,在Bert中,每个token都涉及到三种嵌入,第一种是Token embedding,token id转换成词嵌入向量,第二种是位置编码。还有一种是Segment embedding。用于表示哪个句子,0表示第一个句子,1表示第二个句子。

根据超参数EMB_SIZE = 768,所以词嵌入维度768Token embedding通过一个嵌入层[30522,768]将输入[32,128]映射成[32,128,768]。

30522是词表的大小,[30522,768]的嵌入层可以看作是30522个位置索引的查找表,每个位置存储768维向量。

位置编码可以通过学习的方式获得,也可以通过固定计算方式获得,本次采用固定计算方式。

Segment embedding和输入X大小一致,第一个句子对应为0,第二个位置为1。

最后将三个embedding相加,然后将输出的embedding[32,128,768]输入到编码器中。

3.2.多头注意力

编码器的第一个操作是多头注意力,与Transformer和GPT中不同的是,不计算[PAD]的注意力,会将[PAD]对应位置的注意力分数设置为一个非常小的值,使之经过softmax后为0。

多头注意力的输出维度[32,128,768]。

3.3.MLP

与Transformer和GPT中的一致,MLP的输出维度[32,128,768]。

3.4.输出

编码器的输出[32,128,768],但我们只需要属于段落对应的输出[32,N]。

二分类损失

通过预测起始位置的全连接层[768,2]将段落对应的输出[32,N,768]映射成[32,N,2],表示属于起始位置的概率,通过掩码根据原始标签(32, 128, 2)获取起始位置的标签[32,N],然后与起始位置的标签[32,N]计算交叉熵损失。

同样,通过预测结束位置的全连接层[768,2]将段落对应的输出[32,N,768]映射成[32,N,2],表示属于起始位置的概率,然后与结束位置的标签[32,N]计算交叉熵损失。


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

年轻人!来一起搞AI吗?

如果你看见AI对商业世界的变革,欢迎来和我们一起探索~

岗位:销售经理

查看详情

岗位:项目经理

查看详情

岗位:产品经理

查看详情

岗位:测试工程师

查看详情

联系我们

售前咨询
186 6662 7370
产品演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询