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

Debezium 与 Apache Kafka 的集成方式步骤详解

Debezium 与 Apache Kafka 的集成方式步骤详解

《Debezium与ApacheKafka的集成方式步骤详解》本文详细介绍了如何将Debezium与ApacheKafka集成,包括集成概述、步骤、注意事项等,通过KafkaConnect,D... 目录一、集成概述二、集成步骤1. 准备 Kafka 环境2. 配置 Kafka Connect3. 安装 D
阅读更多...
Springboot中分析SQL性能的两种方式详解

Springboot中分析SQL性能的两种方式详解

《Springboot中分析SQL性能的两种方式详解》文章介绍了SQL性能分析的两种方式：MyBatis-Plus性能分析插件和p6spy框架,MyBatis-Plus插件配置简单,适用于开发和测试环... 目录SQL性能分析的两种方式:功能介绍实现方式:实现步骤:SQL性能分析的两种方式:功能介绍记录
阅读更多...
SQL 中多表查询的常见连接方式详解

SQL 中多表查询的常见连接方式详解

《SQL中多表查询的常见连接方式详解》本文介绍SQL中多表查询的常见连接方式,包括内连接（INNERJOIN）、左连接（LEFTJOIN）、右连接（RIGHTJOIN）、全外连接（FULLOUTER... 目录一、连接类型图表（ASCII 形式）二、前置代码（创建示例表）三、连接方式代码示例1. 内连接（I
阅读更多...
Android里面的Service种类以及启动方式

Android里面的Service种类以及启动方式

《Android里面的Service种类以及启动方式》Android中的Service分为前台服务和后台服务,前台服务需要亮身份牌并显示通知,后台服务则有启动方式选择,包括startService和b... 目录一句话总结：一、Service 的两种类型：1. 前台服务（必须亮身份牌）2. 后台服务（偷偷干
阅读更多...
Java深度学习库DJL实现Python的NumPy方式

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操
阅读更多...
最长公共子序列问题的深度分析与Java实现方式

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列（LCS）问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动
阅读更多...
JS 实现复制到剪贴板的几种方式小结

JS 实现复制到剪贴板的几种方式小结

《JS实现复制到剪贴板的几种方式小结》本文主要介绍了JS实现复制到剪贴板的几种方式小结,包括ClipboardAPI和document.execCommand这两种方法,具有一定的参考价值,感兴趣的... 目录一、Clipboard API相关属性方法二、document.execCommand优点：缺点：
阅读更多...
Python创建Excel的4种方式小结

Python创建Excel的4种方式小结

《Python创建Excel的4种方式小结》这篇文章主要为大家详细介绍了Python中创建Excel的4种常见方式,文中的示例代码简洁易懂,具有一定的参考价值,感兴趣的小伙伴可以学习一下... 目录库的安装代码1——pandas代码2——openpyxl代码3——xlsxwriterwww.cppcns.c
阅读更多...
Deepseek使用指南与提问优化策略方式

Deepseek使用指南与提问优化策略方式

《Deepseek使用指南与提问优化策略方式》本文介绍了DeepSeek语义搜索引擎的核心功能、集成方法及优化提问策略,通过自然语言处理和机器学习提供精准搜索结果,适用于智能客服、知识库检索等领域... 目录序言1. DeepSeek 概述2. DeepSeek 的集成与使用2.1 DeepSeek API
阅读更多...
CSS弹性布局常用设置方式

CSS弹性布局常用设置方式

《CSS弹性布局常用设置方式》文章总结了CSS布局与样式的常用属性和技巧,包括视口单位、弹性盒子布局、浮动元素、背景和边框样式、文本和阴影效果、溢出隐藏、定位以及背景渐变等,通过这些技巧,可以实现复杂... 一、单位元素vm 1vm 为视口的1%vh 视口高的1%vmin 参照长边vmax 参照长边re
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2