BERT+PET方式数据处理

2024-06-06 16:28
文章标签 方式 数据处理 bert pet

本文主要是介绍BERT+PET方式数据处理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

基于BERT+PET方式数据预处理介绍

在这里插入图片描述

BERT+PET方式数据预处理🐾

  • 本项目中对数据部分的预处理步骤如下:
    1. 查看项目数据集
    2. 编写Config类项目文件配置代码
    3. 编写数据处理相关代码

1 查看项目数据集🐾

  • 数据存放位置：/Users/***/PycharmProjects/llm/prompt_tasks/PET/data

  • data文件夹里面包含4个txt文档，分别为：train.txt、dev.txt、prompt.txt、verbalizer.txt

1.1 train.txt
  • train.txt为训练数据集，其部分数据展示如下：
水果	脆脆的，甜味可以，可能时间有点长了，水分不是很足。
平板	华为机器肯定不错，但第一次碰上京东最糟糕的服务，以后不想到京东购物了。
书籍	为什么不认真的检查一下， 发这么一本脏脏的书给顾客呢！
衣服	手感不错，用料也很好，不知道水洗后怎样，相信大品牌，质量过关，五星好评！！！
水果	苹果有点小，不过好吃，还有几个烂的。估计是故意的放的。差评。
衣服	掉色掉的厉害，洗一次就花了

train.txt一共包含63条样本数据，每一行用\t分开，前半部分为标签(label)，后半部分为原始输入 (用户评论)。

如果想使用自定义数据训练，只需要仿照上述示例数据构建数据集即可。

1.2 dev.txt
  • dev.txt为验证数据集，其部分数据展示如下：
书籍	"一点都不好笑,很失望,内容也不是很实用"
衣服	完全是一条旧裤子。
手机	相机质量不错，如果阳光充足，可以和数码相机媲美．界面比较人性化，容易使用．软件安装简便
书籍	明明说有货，结果送货又没有了。并且也不告诉我，怎么评啊
洗浴	非常不满意，晚上洗的头发，第二天头痒痒的不行了，还都是头皮屑。
水果	这个苹果感觉是长熟的苹果，没有打蜡，不错，又甜又脆

dev.txt一共包含590条样本数据，每一行用\t分开，前半部分为标签(label)，后半部分为原始输入 (用户评论)。

如果想使用自定义数据训练，只需要仿照上述示例数据构建数据集即可。

1.3 prompt.txt
  • prompt.txt为人工设定提示模版，其数据展示如下：
这是一条{MASK}评论：{textA}。

其中，用大括号括起来的部分为「自定义参数」，可以自定义设置大括号内的值。

示例中 {MASK} 代表 [MASK] token 的位置，{textA} 代表评论数据的位置。

你可以改为自己想要的模板，例如想新增一个 {textB} 参数：

{textA}和{textB}是{MASK}同的意思。
1.4 verbalizer.txt🐾

  • verbalizer.txt 主要用于定义「真实标签」到「标签预测词」之间的映射。在有些情况下，将「真实标签」作为 [MASK] 去预测可能不具备很好的语义通顺性，因此，我们会对「真实标签」做一定的映射。

  • 例如：

"中国爆冷2-1战胜韩国"是一则[MASK][MASK]新闻。	体育

  • 这句话中的标签为「体育」，但如果我们将标签设置为「足球」会更容易预测。

  • 因此，我们可以对「体育」这个 label 构建许多个子标签，在推理时，只要预测到子标签最终推理出真实标签即可，如下：

体育 -> 足球,篮球,网球,棒球,乒乓,体育
  • 项目中标签词映射数据展示如下：
电脑	电脑
水果	水果
平板	平板
衣服	衣服
酒店	酒店
洗浴	洗浴
书籍	书籍
蒙牛	蒙牛
手机	手机
电器	电器

verbalizer.txt 一共包含10个类别，上述数据中，我们使用了1对1的verbalizer, 如果想定义一对多的映射，只需要在后面用","分割即可， eg:

水果	苹果,香蕉,橘子

若想使用自定义数据训练，只需要仿照示例数据构建数据集

2 编写Config类项目文件配置代码🐾

  • 代码路径：/Users/***/PycharmProjects/llm/prompt_tasks/PET/pet_config.py

  • config文件目的：配置项目常用变量，一般这些变量属于不经常改变的，比如：训练文件路径、模型训练次数、模型超参数等等

具体代码实现：

# coding:utf-8
import torch
import sys
print(sys.path)class ProjectConfig(object):def __init__(self):# 是否使用GPUself.device = 'cuda:0' if torch.cuda.is_available() else 'cpu'# 预训练模型bert路径self.pre_model = '/home/prompt_project/bert-base-chinese'self.train_path = '/home/prompt_project/PET/data/train.txt'self.dev_path = '/home/prompt_project/PET/data/dev.txt'self.prompt_file = '/home/prompt_project/PET/data/prompt.txt'self.verbalizer = '/home/prompt_project/PET/data/verbalizer.txt'self.max_seq_len = 512self.batch_size = 8self.learning_rate = 5e-5# 权重衰减参数（正则化，抑制模型过拟合）self.weight_decay = 0# 预热学习率(用来定义预热的步数)self.warmup_ratio = 0.06self.max_label_len = 2self.epochs = 50self.logging_steps = 10self.valid_steps = 20self.save_dir = '/home/prompt_project/PET/checkpoints'if __name__ == '__main__':pc = ProjectConfig()print(pc.prompt_file)print(pc.pre_model)

3 编写数据处理相关代码🐾

  • 代码路径：/Users/***/PycharmProjects/llm/prompt_tasks/PET/data_handle.

  • data_handle文件夹中一共包含三个py脚本：template.py、data_preprocess.py、data_loader.py

3.1 template.py

  • 目的：构建固定模版类，text2id的转换

  • 导入必备工具包

# -*- coding:utf-8 -*-
from rich import print # 终端层次显示
from transformers import AutoTokenizer
import numpy as np
import sys
sys.path.append('..')
from pet_config import *
  • 定义HardTemplate类
class HardTemplate(object):"""硬模板，人工定义句子和[MASK]之间的位置关系。"""def __init__(self, prompt: str):"""Args:prompt (str): prompt格式定义字符串, e.g. -> "这是一条{MASK}评论：{textA}。""""self.prompt = promptself.inputs_list = []                       # 根据文字prompt拆分为各part的列表self.custom_tokens = set(['MASK'])          # 从prompt中解析出的自定义token集合self.prompt_analysis()                         # 解析prompt模板def prompt_analysis(self):"""将prompt文字模板拆解为可映射的数据结构。Examples:prompt -> "这是一条{MASK}评论：{textA}。"inputs_list -> ['这', '是', '一', '条', 'MASK', '评', '论', '：', 'textA', '。']custom_tokens -> {'textA', 'MASK'}"""idx = 0while idx < len(self.prompt):str_part = ''if self.prompt[idx] not in ['{', '}']:self.inputs_list.append(self.prompt[idx])if self.prompt[idx] == '{':                  # 进入自定义字段idx += 1while self.prompt[idx] != '}':str_part += self.prompt[idx]             # 拼接该自定义字段的值idx += 1elif self.prompt[idx] == '}':raise ValueError("Unmatched bracket '}', check your prompt.")if str_part:self.inputs_list.append(str_part)# 将所有自定义字段存储，后续会检测输入信息是否完整self.custom_tokens.add(str_part)  idx += 1def __call__(self,inputs_dict: dict,tokenizer,mask_length,max_seq_len=512):"""输入一个样本，转换为符合模板的格式。Args:inputs_dict (dict): prompt中的参数字典, e.g. -> {"textA": "这个手机也太卡了", "MASK": "[MASK]"}tokenizer: 用于encoding文本mask_length (int): MASK token 的长度Returns:dict -> {'text': '[CLS]这是一条[MASK]评论：这个手机也太卡了。[SEP]','input_ids': [1, 47, 10, 7, 304, 3, 480, 279, 74, 47, 27, 247, 98, 105, 512, 777, 15, 12043, 2],'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1,1, 1, 1, 1, 1, 1, 1, 1, 1, 1],'mask_position': [0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]}"""# 定义输出格式outputs = {'text': '', 'input_ids': [],'token_type_ids': [],'attention_mask': [],'mask_position': []}str_formated = ''for value in self.inputs_list:if value in self.custom_tokens:if value == 'MASK':str_formated += inputs_dict[value] * mask_lengthelse:str_formated += inputs_dict[value]else:str_formated += value# print(f'str_formated-->{str_formated}')encoded = tokenizer(text=str_formated,truncation=True,max_length=max_seq_len,padding='max_length')# print(f'encoded--->{encoded}')outputs['input_ids'] = encoded['input_ids']outputs['token_type_ids'] = encoded['token_type_ids']outputs['attention_mask'] = encoded['attention_mask']token_list = tokenizer.convert_ids_to_tokens(encoded['input_ids'])outputs['text'] = ''.join(token_list)mask_token_id = tokenizer.convert_tokens_to_ids(['[MASK]'])[0]condition = np.array(outputs['input_ids']) == mask_token_idmask_position = np.where(condition)[0].tolist()outputs['mask_position'] = mask_positionreturn outputsif __name__ == '__main__':pc = ProjectConfig()tokenizer = AutoTokenizer.from_pretrained(pc.pre_model)hard_template = HardTemplate(prompt='这是一条{MASK}评论：{textA}')print(hard_template.inputs_list)print(hard_template.custom_tokens)tep = hard_template(inputs_dict={'textA': '包装不错，苹果挺甜的，个头也大。', 'MASK': '[MASK]'},tokenizer=tokenizer,max_seq_len=30,mask_length=2)print(tep)print(tokenizer.convert_ids_to_tokens([3819, 3352]))print(tokenizer.convert_tokens_to_ids(['水', '果']))
3.2 data_preprocess.py🐾

  • 目的: 将样本数据转换为模型接受的输入数据

  • 导入必备的工具包

from template import *
from rich import print
from datasets import load_dataset
# partial：把一个函数的某些参数给固定住（也就是设置默认值），返回一个新的函数，调用这个新函数会更简单
from functools import partial
from pet_config import *
  • 定义数据转换方法convert_example()
def convert_example(examples: dict,tokenizer,max_seq_len: int,max_label_len: int,hard_template: HardTemplate,train_mode=True,return_tensor=False) -> dict:"""将样本数据转换为模型接收的输入数据。Args:examples (dict): 训练数据样本, e.g. -> {"text": ['手机	这个手机也太卡了。','体育	世界杯为何迟迟不见宣传',...]}max_seq_len (int): 句子的最大长度，若没有达到最大长度，则padding为最大长度max_label_len (int): 最大label长度，若没有达到最大长度，则padding为最大长度hard_template (HardTemplate): 模板类。train_mode (bool): 训练阶段 or 推理阶段。return_tensor (bool): 是否返回tensor类型，如不是，则返回numpy类型。Returns:dict (str: np.array) -> tokenized_output = {'input_ids': [[1, 47, 10, 7, 304, 3, 3, 3, 3, 47, 27, 247, 98, 105, 512, 777, 15, 12043, 2], ...],'token_type_ids': [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], ...],'attention_mask': [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], ...],'mask_positions': [[5, 6, 7, 8], ...],'mask_labels': [[2372, 3442, 0, 0], [2643, 4434, 2334, 0], ...]}"""tokenized_output = {'input_ids': [],'token_type_ids': [],'attention_mask': [],'mask_positions': [],'mask_labels': []}for i, example in enumerate(examples['text']):if train_mode:label, content = example.strip().split('\t')else:content = example.strip()inputs_dict = {'textA': content,'MASK': '[MASK]'}encoded_inputs = hard_template(inputs_dict=inputs_dict,tokenizer=tokenizer,max_seq_len=max_seq_len,mask_length=max_label_len)tokenized_output['input_ids'].append(encoded_inputs["input_ids"])tokenized_output['token_type_ids'].append(encoded_inputs["token_type_ids"])tokenized_output['attention_mask'].append(encoded_inputs["attention_mask"])tokenized_output['mask_positions'].append(encoded_inputs["mask_position"])if train_mode:label_encoded = tokenizer(text=[label])  # 将label补到最大长度# print(f'label_encoded-->{label_encoded}')label_encoded = label_encoded['input_ids'][0][1:-1]label_encoded = label_encoded[:max_label_len]add_pad = [tokenizer.pad_token_id] * (max_label_len - len(label_encoded))label_encoded = label_encoded + add_padtokenized_output['mask_labels'].append(label_encoded)for k, v in tokenized_output.items():if return_tensor:tokenized_output[k] = torch.LongTensor(v)else:tokenized_output[k] = np.array(v)return tokenized_outputif __name__ == '__main__':pc = ProjectConfig()train_dataset = load_dataset('text', data_files=pc.train_path)print(type(train_dataset))print(train_dataset)# print('*'*80)# print(train_dataset['train']['text'])tokenizer = AutoTokenizer.from_pretrained(pc.pre_model)hard_template = HardTemplate(prompt='这是一条{MASK}评论：{textA}')convert_func = partial(convert_example,tokenizer=tokenizer,hard_template=hard_template,max_seq_len=30,max_label_len=2)dataset = train_dataset.map(convert_func, batched=True)for value in dataset['train']:print(value)print(len(value['input_ids']))break
3.3 data_loader.py🐾

  • 目的：定义数据加载器

  • 导入必备的工具包

# coding:utf-8
from torch.utils.data import DataLoader
from transformers import default_data_collator
from data_preprocess import *
from pet_config import *pc = ProjectConfig() # 实例化项目配置文件
tokenizer = AutoTokenizer.from_pretrained(pc.pre_model)
  • 定义获取数据加载器的方法get_data()
def get_data():# prompt定义prompt = open(pc.prompt_file, 'r', encoding='utf8').readlines()[0].strip()  hard_template = HardTemplate(prompt=prompt)  # 模板转换器定义dataset = load_dataset('text', data_files={'train': pc.train_path,'dev': pc.dev_path})# print(dataset)# print(f'Prompt is -> {prompt}')new_func = partial(convert_example,tokenizer=tokenizer,hard_template=hard_template,max_seq_len=pc.max_seq_len,max_label_len=pc.max_label_len)dataset = dataset.map(new_func, batched=True)train_dataset = dataset["train"]dev_dataset = dataset["dev"]# print('train_dataset', train_dataset[:2])# print('*'*80)train_dataloader = DataLoader(train_dataset,shuffle=True,collate_fn=default_data_collator,batch_size=pc.batch_size)dev_dataloader = DataLoader(dev_dataset,collate_fn=default_data_collator,batch_size=pc.batch_size)return train_dataloader, dev_dataloaderif __name__ == '__main__':train_dataloader, dev_dataloader = get_data()print(len(train_dataloader))print(len(dev_dataloader))for i, value in enumerate(train_dataloader):print(i)print(value)print(value['input_ids'].dtype)break

这篇关于BERT+PET方式数据处理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1036626。

相关文章

Jsoncpp的安装与使用方式

Jsoncpp的安装与使用方式

《Jsoncpp的安装与使用方式》JsonCpp是一个用于解析和生成JSON数据的C++库,它支持解析JSON文件或字符串到C++对象,以及将C++对象序列化回JSON格式,安装JsonCpp可以通过... 目录安装jsoncppJsoncpp的使用Value类构造函数检测保存的数据类型提取数据对json数
阅读更多...
Redis事务与数据持久化方式

Redis事务与数据持久化方式

《Redis事务与数据持久化方式》该文档主要介绍了Redis事务和持久化机制,事务通过将多个命令打包执行,而持久化则通过快照（RDB）和追加式文件（AOF）两种方式将内存数据保存到磁盘,以防止数据丢失... 目录一、Redis 事务1.1 事务本质1.2 数据库事务与redis事务1.2.1 数据库事务1.
阅读更多...
Linux磁盘分区、格式化和挂载方式

Linux磁盘分区、格式化和挂载方式

《Linux磁盘分区、格式化和挂载方式》本文详细介绍了Linux系统中磁盘分区、格式化和挂载的基本操作步骤和命令,包括MBR和GPT分区表的区别、fdisk和gdisk命令的使用、常见的文件系统格式以... 目录一、磁盘分区表分类二、fdisk命令创建分区1、交互式的命令2、分区主分区3、创建扩展分区，然后
阅读更多...
Linux中chmod权限设置方式

Linux中chmod权限设置方式

《Linux中chmod权限设置方式》本文介绍了Linux系统中文件和目录权限的设置方法,包括chmod、chown和chgrp命令的使用,以及权限模式和符号模式的详细说明,通过这些命令,用户可以灵活... 目录设置基本权限命令：chmod1、权限介绍2、chmod命令常见用法和示例3、文件权限详解4、ch
阅读更多...
Java中的密码加密方式

Java中的密码加密方式

《Java中的密码加密方式》文章介绍了Java中使用MD5算法对密码进行加密的方法,以及如何通过加盐和多重加密来提高密码的安全性,MD5是一种不可逆的哈希算法,适合用于存储密码,因为其输出的摘要长度固... 目录Java的密码加密方式密码加密一般的应用方式是总结Java的密码加密方式密码加密【这里采用的
阅读更多...
Java中ArrayList的8种浅拷贝方式示例代码

Java中ArrayList的8种浅拷贝方式示例代码

《Java中ArrayList的8种浅拷贝方式示例代码》：本文主要介绍Java中ArrayList的8种浅拷贝方式的相关资料,讲解了Java中ArrayList的浅拷贝概念,并详细分享了八种实现浅... 目录引言什么是浅拷贝？ArrayList 浅拷贝的重要性方法一：使用构造函数方法二：使用 addAll(
阅读更多...
Mycat搭建分库分表方式

Mycat搭建分库分表方式

《Mycat搭建分库分表方式》文章介绍了如何使用分库分表架构来解决单表数据量过大带来的性能和存储容量限制的问题,通过在一对主从复制节点上配置数据源,并使用分片算法将数据分配到不同的数据库表中,可以有效... 目录分库分表解决的问题分库分表架构添加数据验证结果 总结分库分表解决的问题单表数据量过大带来的性能
阅读更多...
SpringBoot项目引入token设置方式

SpringBoot项目引入token设置方式

《SpringBoot项目引入token设置方式》本文详细介绍了JWT（JSONWebToken）的基本概念、结构、应用场景以及工作原理,通过动手实践,展示了如何在SpringBoot项目中实现JWT... 目录一. 先了解熟悉JWT（jsON Web Token）1. JSON Web Token是什么鬼
阅读更多...
在C#中合并和解析相对路径方式

在C#中合并和解析相对路径方式

《在C#中合并和解析相对路径方式》Path类提供了几个用于操作文件路径的静态方法,其中包括Combine方法和GetFullPath方法,Combine方法将两个路径合并在一起,但不会解析包含相对元素... 目录C#合并和解析相对路径System.IO.Path类幸运的是总结C#合并和解析相对路径对于 C
阅读更多...
C语言线程池的常见实现方式详解

C语言线程池的常见实现方式详解

《C语言线程池的常见实现方式详解》本文介绍了如何使用C语言实现一个基本的线程池,线程池的实现包括工作线程、任务队列、任务调度、线程池的初始化、任务添加、销毁等步骤,感兴趣的朋友跟随小编一起看看吧... 目录1. 线程池的基本结构2. 线程池的实现步骤3. 线程池的核心数据结构4. 线程池的详细实现4.1 初
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2