Tensorflow 2.0 Hugging Face Transformers

Question

概括：我想微调 BERT 以在自定义数据集上进行句子分类。我遵循了一些我发现的例子，比如这个，这非常有帮助。我也看过这个要点。我遇到的问题是，在对某些样本进行推理时，输出的维度超出了我的预期。当我对 23 个样本进行推理时，我得到一个具有 numpy 维度数组 (1472, 42) 的元组，其中 42 是类数。我希望尺寸（23、42）。代码和其他详细信息：我使用 Keras 对经过训练的模型进行推理，如下所示：preds = model.predict(features)特征被标记并转换为数据集的地方：for sample, ground_truth in tests:    test_examples.append(InputExample(text=sample, category_index=ground_truth))features = convert_examples_to_tf_dataset(test_examples, tokenizer)哪里sample可以是例如"A test sentence I want classified"并且ground_truth可以是例如12哪个是编码标签。因为我进行推理，所以我提供的作为基本事实的内容当然不重要。

Answer 1

我发现了问题——如果你在使用 Tensorflow 数据集（tf.data.Dataset）时得到意外的维度，可能是因为没有运行.batch。

所以在我的例子中：

features = convert_examples_to_tf_dataset(test_examples, tokenizer)

添加：

features = features.batch(BATCH_SIZE)

使这项工作如我所料。所以，这不是与 相关的问题TFBertForSequenceClassification，只是因为我的输入不正确。我还想添加对这个答案的引用，这让我发现了问题。

Answer 2

我报告了我的示例，其中我尝试预测 3 个文本样本并获得 (3, 42) 作为输出形状

### define model

config = BertConfig.from_pretrained(

    'bert-base-multilingual-cased',

    num_labels=42,

    output_hidden_states=False,

    output_attentions=False

)

model = TFBertForSequenceClassification.from_pretrained('bert-base-multilingual-cased', config=config)

optimizer = tf.keras.optimizers.Adam(learning_rate=3e-05, epsilon=1e-08)

loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

metric = tf.keras.metrics.SparseCategoricalAccuracy(name='accuracy')

model.compile(optimizer=optimizer,

              loss=loss,

              metrics=[metric])

### import tokenizer

tokenizer = AutoTokenizer.from_pretrained("bert-base-multilingual-cased")

### utility functions for text encoding

def return_id(str1, str2, length):

    inputs = tokenizer.encode_plus(str1, str2,

        add_special_tokens=True,

        max_length=length)

    input_ids =  inputs["input_ids"]

    input_masks = [1] * len(input_ids)

    input_segments = inputs["token_type_ids"]

    padding_length = length - len(input_ids)

    padding_id = tokenizer.pad_token_id

    input_ids = input_ids + ([padding_id] * padding_length)

    input_masks = input_masks + ([0] * padding_length)

    input_segments = input_segments + ([0] * padding_length)

    return [input_ids, input_masks, input_segments]

### encode 3 sentences

input_ids, input_masks, input_segments = [], [], []

for instance in ['hello hello', 'ciao ciao', 'marco marco']:

    ids, masks, segments = \

    return_id(instance, None, 100)

    input_ids.append(ids)

    input_masks.append(masks)

    input_segments.append(segments)

input_ = [np.asarray(input_ids, dtype=np.int32), 

          np.asarray(input_masks, dtype=np.int32), 

          np.asarray(input_segments, dtype=np.int32)]

### make prediction

model.predict(input_).shape # ===> (3,42)