阿里天池NLP入门赛Bert方案1数据预处理

前言

这篇文章用于记录阿里天池 NLP 入门赛，详细讲解了整个数据处理流程，以及如何从零构建一个模型，适合新手入门。

赛题以新闻数据为赛题数据，数据集报名后可见并可下载。赛题数据为新闻文本，并按照字符级别进行匿名处理。整合划分出 14 个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐的文本数据。实质上是一个 14 分类问题。

赛题数据由以下几个部分构成：训练集 20w 条样本，测试集 A 包括 5w 条样本，测试集 B 包括 5w 条样本。

比赛地址：https://tianchi.aliyun.com/competition/entrance/531810/introduction

数据可以通过上面的链接下载。

为什么写篇文章

首先，这篇文章的代码全部都来源于 Datawhale 提供的开源代码，我添加了自己的笔记，帮助新手更好地理解这个代码。

1. Datawhale 提供的代码有哪些需要改进？

Datawhale 提供的代码里包含了数据处理，以及从 0 到 1 模型建立的完整流程。但是和前面提供的 basesline 的都不太一样，它包含了非常多数据处理的细节，模型也是由 3 个部分构成，所以看起来难度陡然上升。

其次，代码里的注释非常少，也没有讲解整个数据处理和网络的整体流程。这些对于新手来说，增加了理解的门槛。
在数据竞赛方面，我也是一个新人，花了一天的时间，仔细研究数据在一种每一个步骤的转化，对于一些难以理解的代码，在群里询问之后，也得到了 Datawhale 成员的热心解答。最终才明白了全部的代码。

2. 我做了什么改进？

所以，为了减少对于新手的阅读难度，我添加了一些内容。

1. 首先，梳理了整个流程，包括两大部分：数据处理和模型。

   因为代码不是从上到下顺序阅读的。因此，更容易让人理解的做法是：先从整体上给出宏观的数据转换流程图，其中要包括数据在每一步的 shape，以及包含的转换步骤，让读者心中有一个框架图，再带着这个框架图去看细节，会更加了然于胸。

   
   



2. 其次，除了了解了整体流程，在真正的代码细节里，读者可能还是会看不懂某一段小逻辑。因此，我在原有代码的基础之上增添了许多注释，以降低代码的理解门槛。

   
   

在 上一篇文章 中，我们讲解了使用 TextCNN + Attention + LSTM 来构建模型。这篇文章，我们来讲解使用 Bert 方案构建模型。

Bert 来自于 Transformer 的编码器（Encoder）。

如果你对 Bert 或者 Transformer 不了解，请查看这篇 图解 Transformer。

由于数据是经过脱敏的，因此不能直接使用网络上开源的训练好的模型和词向量，我们在这个数据集上，从 0 开始预训练 Bert。

这里使用 Google 提供的 Bert 代码 来进行训练。然后使用 HuggingFace 提供的转换代码来把训练好的 Tensorflow 模型转换为 PyTorch 模型。后续在这个模型的基础上，使用 PyTorch 进行微调。

代码地址：https://github.com/zhangxiann/Tianchi-NLP-Beginner

分为 3 篇文章介绍：

• 数据预处理


• Bert 源码讲解


• Bert 预训练与分类

这篇文章，我们来看下数据预处理部分。

数据预处理

我们知道，在 Bert 训练的目标有两个：

• Masked LM：输入给 BERT 的句子中，会随机选择一定数量的字或者单词置换为一个特殊的 token，称为 MASK。把数据输入 Bert，预测这些 MASK 本来的字或词。


• Next Sentence Prediction：把两个句子拼接起来，中间添加一个 SEP 的分隔符，并在最前面添加一个 CLS 的 token，把数据输入 Bert，判断这两个句子是不是属于前后关系。

在我们的任务中，只有文本分类，而没有上下文句子的推理，因此只进行 Masked LM，而不需要 Next Sentence Prediction。

所以数据预处理步骤，主要是对文本进行 mask，获得 mask 后的数据。

1. 数据准备

原始数据是 csv 格式，每行表示一篇文章和对应的标签。我们需要把所有文章存放到普通的文件中（不保存标签），每篇文章之间使用空行分隔。这里把 14 种类别的文章，平均分为 10 份。对应的代码文件为 prepare_data.py，代码如下：

# split data to 10 fold
fold_num = 10
import os
import pandas as pd
import numpy as np
import logging
logging.basicConfig(level=logging.INFO, format='%(asctime)-15s %(levelname)s: %(message)s')
dir = 'data'
data_file = os.path.join(dir,'train_set.csv')def all_data2fold(fold_num):fold_data = []f = pd.read_csv(data_file, sep='\t', encoding='UTF-8')texts = f['text'].tolist()labels = f['label'].tolist()total = len(labels)index = list(range(total))# 打乱数据np.random.shuffle(index)# all_texts 和 all_labels 都是 shuffle 之后的数据all_texts = []all_labels = []for i in index:all_texts.append(texts[i])all_labels.append(labels[i])# 构造一个 dict，key 为 label，value 是一个 list，存储的是该类对应的 indexlabel2id = {}for i in range(total):label = str(all_labels[i])if label not in label2id:label2id[label] = [i]else:label2id[label].append(i)# all_index 是一个 list，里面包括 10 个 list，称为 10 个 fold，存储 10 个 fold 对应的 indexall_index = [[] for _ in range(fold_num)]for label, data in label2id.items():# print(label, len(data))batch_size = int(len(data) / fold_num)# other 表示多出来的数据，other 的数据量是小于 fold_num 的other = len(data) - batch_size * fold_num# 把每一类对应的 index，添加到每个 fold 里面去for i in range(fold_num):# 如果 i batch_size: # 如果大于 batch_size 那么就取 batch_size 大小的数据fold_texts = texts[:batch_size]other_texts.extend(texts[batch_size:])fold_labels = labels[:batch_size]other_labels.extend(labels[batch_size:])other_num += num - batch_sizeelif num fold_data = all_data2fold(10)
for i in range(0, 10):data = fold_data[i]path = os.path.join(dir, "train_" + str(i))my_open = open(path, 'w')# 打开文件，采用写入模式# 若文件不存在,创建，若存在，清空并写入for text in data['text']:my_open.write(text)my_open.write('\n') # 换行my_open.write('\n') # 添加一个空行，作为文章之间的分隔符logging.info("complete train_" + str(i))my_open.close()


其中 all_data2fold 的作用把每个类别的数据平均分为 10 份，返回的数据是 fold_data，是一个 list，有 10 个元素，每个元素是 dict，包括 label 和 text 的 list。

然后分别写入到 10 个文件中：train_0、train_1…train_9。每篇文章之间添加一个空行作为文章之间的分隔符。

生成的数据类似下面：

2564 1846 3605 6357 3530 . . .4399 1121 648 3750 1679 . . .3659 6242 2106 2662 5560 . . .
.
.
.


2. 创建字典

接着，我们创建字典，保存训练集中所有的单词，并添加 [PAD]，[UNK]， [CLS]，[SEP]， [MASK] 等 token。对应的代码文件为 create_vocab.py，代码如下：

from collections import Counter
import pandas as pd
import os.path as osp
import osword_counter = Counter()
# 计算每个词出现的次数
data_file = osp.join('data','train_set.csv')
f = pd.read_csv(data_file, sep='\t', encoding='UTF-8')
data = f['text'].tolist()
for text in data:words = text.split()for word in words:word_counter[word] += 1words = word_counter.keys()
path = os.path.join('bert-mini', "vocab.txt")
my_open = open(path, 'w')# 打开文件，采用写入模式
# 若文件不存在,创建，若存在，清空并写入
extra_tokens=["[PAD]", "[UNK]", "[CLS]", "[SEP]", "[MASK]"]
my_open.writelines("\n".join(extra_tokens))my_open.writelines("\n".join(words))my_open.close()


3. 对数据进行 mask

由于上面把数据分成了 10 份，因此使用脚本 create_pretraining_data.sh，分别对 10 份数据进行 mask 处理。

脚本

10 份数据的完整脚本文件为 create_pretraining_data.sh。

以第一份数据为例，脚本如下所示：

nohup python create_pretraining_data.py
--input_file=./data/train_0
--output_file=./records/train_0.tfrecord
--vocab_file=./bert-mini/vocab.txt
--max_seq_length=256
--max_predictions_per_seq=32
--do_lower_case=True
--masked_lm_prob=0.15
--random_seed=12345
--dupe_factor=5
> create/0.log 2>&1 &


调用的 python 脚本是 create_pretraining_data.py，后面携带了大量参数，参数说明如下：

• input_file：输入文件的路径


• output_file：输出文件的路径，保存了经过 mask 的文本


• vocab_file：字典文件


• max_seq_length：每一条训练数据的最大长度，这里是指每句话的最大长度。（如有使用 NSP，那么表示两句话拼接后的最大长度）


• max_predictions_per_seq：每一条训练数据的 mask 的最大数量


• do_lower_case：True 表示忽略大小写，False 表示不忽略大小写


• do_whole_word_mask：True 表示使用 word tokenization，False 表示使用其他 word tokenization


• masked_lm_prob：产生 mask 的概率，上面设置了 max_predictions_per_seq 个 mask，而实际上的 mask 的数量是 max_predictions_per_seq 和 $ 句子长度 \times masked_lm_prob$ 的较小值。


• random_seed：随机种子


• dupe_factor：在代码会对文档多次重复随机产生训练集，这个参数是指重复的次数

在 create_pretraining_data.py 中，首先使用 tf.flags 来接收参数。

flags = tf.flagsFLAGS = flags.FLAGSflags.DEFINE_string("input_file", None,"Input raw text file (or comma-separated list of files).")flags.DEFINE_string("output_file", None,"Output TF example file (or comma-separated list of files).")flags.DEFINE_string("vocab_file", None,"The vocabulary file that the BERT model was trained on.")flags.DEFINE_bool("do_lower_case", True,"Whether to lower case the input text. Should be True for uncased ""models and False for cased models.")flags.DEFINE_bool("do_whole_word_mask", False,"Whether to use whole word masking rather than per-WordPiece masking.")flags.DEFINE_integer("max_seq_length", 128, "Maximum sequence length.")flags.DEFINE_integer("max_predictions_per_seq", 20,"Maximum number of masked LM predictions per sequence.")flags.DEFINE_integer("random_seed", 12345, "Random seed for data generation.")flags.DEFINE_integer("dupe_factor", 10,"Number of times to duplicate the input data (with different masks).")flags.DEFINE_float("masked_lm_prob", 0.15, "Masked LM probability.")flags.DEFINE_float("short_seq_prob", 0.1,"Probability of creating sequences which are shorter than the ""maximum length.")


接着我们看 main() 函数，主要流程如下：

• 首先创建 WhitespaceTokenizer，作用是根据词典，将词转化为该词对应的 id。

  
  



• 然后调用 create_training_instances()，对每句话进行 mask，返回 instances，是一个 list，每个元素是 TrainingInstance，表示一个经过 mask 后的句子。

  TrainingInstance 的内容包括：

  
  
  
  
  • tokens：经过 mask 的 tokens
  
  
  • segment_ids：句子 id
  
  
  • is_random_next：True 表示 tokens 的第二句是随机查找，False 表示第二句为第一句的下文。这里不使用 NSP，只有一句话，因此为 false
  
  
  • masked_lm_positions：mask 的位置
  
  
  • masked_lm_labels：mask 对应的真实 token
  
  
  
  

• 最后调用 write_instance_to_example_files()，将 instances 保存到文件中。

def main(_):tf.logging.set_verbosity(tf.logging.INFO)# tokenizer以vocab_file为词典，将词转化为该词对应的id。tokenizer = tokenization.WhitespaceTokenizer(vocab_file=FLAGS.vocab_file)input_files = []for input_pattern in FLAGS.input_file.split(","):# tf.gfile.Glob: 查找匹配 filename 的文件并以列表的形式返回，# filename 可以是一个具体的文件名，也可以是包含通配符的正则表达式。input_files.extend(tf.gfile.Glob(input_pattern))tf.logging.info("*** Reading from input files ***")for input_file in input_files:tf.logging.info(" %s", input_file)rng = random.Random(FLAGS.random_seed)# instances 是一个 list，每个元素是 TrainingInstance，表示一个经过mask 后的句子，# TrainingInstance 的内容包括：# tokens: 经过 mask 的 tokens# segment_ids: 句子 id# is_random_next: True 表示 tokens 的第二句是随机查找，False 表示第二句为第一句的下文。# 这里不使用 NSP，只有一句话，因此为 false# masked_lm_positions: mask 的位置# masked_lm_labels: mask 的真实 tokeninstances = create_training_instances(input_files, tokenizer, FLAGS.max_seq_length, FLAGS.dupe_factor,FLAGS.short_seq_prob, FLAGS.masked_lm_prob, FLAGS.max_predictions_per_seq,rng)output_files = FLAGS.output_file.split(",")tf.logging.info("*** Writing to output files ***")for output_file in output_files:tf.logging.info(" %s", output_file)write_instance_to_example_files(instances, tokenizer, FLAGS.max_seq_length,FLAGS.max_predictions_per_seq, output_files)


create_training_instances()

我们看来 create_training_instances() 的代码。

主要流程是：

• 首先读取文件，把每篇文章进行 tokenization（把每篇文章转换为 list），并添加到 all_documents 中，然后去除空行。


• for 循环，把 all_documents 中的每个元素传入 create_instances_from_document_nsp() 方法，进行真正的 mask。

# 输入是文件列表，输出是 instance 的列表
def create_training_instances(input_files, tokenizer, max_seq_length,dupe_factor, short_seq_prob, masked_lm_prob,max_predictions_per_seq, rng):"""Create `TrainingInstance`s from raw text."""# all_documents 是一个 list，每个元素是一篇文章# 文章中的是一个 list，list中每个元素是一个单词all_documents = [[]]# Input file format:# (1) One sentence per line. These should ideally be actual sentences, not# entire paragraphs or arbitrary spans of text. (Because we use the# sentence boundaries for the "next sentence prediction" task).# (2) Blank lines between documents. Document boundaries are needed so# that the "next sentence prediction" task doesn't span between documents.for input_file in input_files:with tf.gfile.GFile(input_file, "r") as reader:while True:line = tokenization.convert_to_unicode(reader.readline())if not line:breakline = line.strip()# Empty lines are used as document delimiters# 如果是空行，作为文章之间的分隔符，那么使用一个新的 list 来存储文章if not line:all_documents.append([])tokens = tokenizer.tokenize(line)if tokens:all_documents[-1].append(tokens)# Remove empty documents# 去除空行all_documents = [x for x in all_documents if x]rng.shuffle(all_documents)# vocab_words 是一个 list，每个元素是单词 (word)vocab_words = list(tokenizer.vocab.keys())instances = []# 对文档重复 dupe_factor 次，随机产生训练集for _ in range(dupe_factor):for document_index in range(len(all_documents)):instances.extend(create_instances_from_document_nsp(all_documents, document_index, max_seq_length, short_seq_prob,masked_lm_prob, max_predictions_per_seq, vocab_words, rng))rng.shuffle(instances)return instances


create_instances_from_document_nsp()

create_instances_from_document_nsp() 函数把每篇文章分割为句子。

主要流程如下：

• 首先根据 document_index 取出文章document，document 是一个 list，只有一个元素，表示一篇文章。

  
  



• 然后把 document 传入 create_segments_from_document()，分割为多个句子，返回的 segments 是一个 list，里面包含多个句子。

  
  



• 接着 for 循环，对每个句子进行操作：

  
  
  
  
  • 在句子前后添加 [CLS] 和 [SEP]。
  
  
  • 调用 create_masked_lm_predictions() ，对句子进行 mask 操作。
  
  
  • 返回的内容，再组成一个 TrainingInstance。
  
  
  
  



• 将所有的 TrainingInstance 组成一个 instances 列表，并返回 instances。

  
  

# NSP: next sentence prediction
# 返回一篇文章的 TrainingInstance 的列表
# TrainingInstance 是一个 class，表示一个句子的
def create_instances_from_document_nsp(all_documents, document_index, max_seq_length, short_seq_prob,masked_lm_prob, max_predictions_per_seq, vocab_words, rng):"""Creates `TrainingInstance`s for a single document. Remove NSP."""# 取出 index 对应的文章document = all_documents[document_index]# 留出 2 个位置给 [CLS], [SEP]# Account for [CLS], [SEP]max_segment_length = max_seq_length - 2instances = []# document 是一个 list，只有一个元素，表示一篇文章segments = create_segments_from_document(document, max_segment_length)for j, segment in enumerate(segments):is_random_next = False# tokens 是添加了 [CLS] 和 [SEP] 的句子tokens = []# 表示句子的 id，都是 0，表示只有 1 个句子segment_ids = []# 在开头添加 [CLS]tokens.append("[CLS]")segment_ids.append(0)for token in segment:tokens.append(token)segment_ids.append(0)# 在开头添加 [SEP]tokens.append("[SEP]")# 添加句子 id:0segment_ids.append(0)# 对一个句子进行 mask ，获得 mask 后的 tokens，mask 的位置以及真实的 token(label)(tokens, masked_lm_positions,masked_lm_labels) = create_masked_lm_predictions(tokens, masked_lm_prob, max_predictions_per_seq, vocab_words, rng)# TrainingInstance 表示一个句子的内容instance = TrainingInstance(tokens=tokens, # 经过 mask 的 token 列表segment_ids=segment_ids, # 句子 idis_random_next=is_random_next, # Falsemasked_lm_positiOns=masked_lm_positions, # mask 的位置列表masked_lm_labels=masked_lm_labels) # mask 的真实 tokeninstances.append(instance)return instances


create_masked_lm_predictions()

create_masked_lm_predictions() 是核心函数，在这个函数里，对每个句子进行真正的 mask，并返回 mask 后的内容。

输入的参数是 tokens，表示一个句子。

主要流程如下：

• 首先把每个 token 的索引添加到 cand_indexes 中，并打乱，这是为了下面进行 mask 操作。

  
  



• 然后计算实际的 mask 数量num_to_predict，计算方法是取 max_predictions_per_seq 和 $ 句子长度 \times masked_lm_prob$ 的较小值。

  
  



• 进入 for 循环，遍历每个 token：

  
  
  
  
  • 首先判断已经生成的 mask 数量是否已经达到 num_to_predict，如果达到了这个数量，则退出循环。
  
  
  • 80% 的概率替换为 [MASK]。
  
  
  • 10% 的概率保留原来的 token。
  
  
  • 10% 的概率替换为随机的一个 token。
  
  
  • 保存 mask 的位置和真实的 token
  
  
  
  



• mask 完成后，再把所有 masked_lms 根据 index 进行排序。

  
  



• 返回 3 个参数：

  
  
  
  
  • output_tokens：经过 mask 的 tokens，表示一个句子
  
  
  • masked_lm_positions：记录 mask 的索引
  
  
  • masked_lm_labels：记录 mask 对应的真实 token，也就是标签
  
  
  
  

# tokens 是一个句子
# 返回 mask 后的 tokens，mask 的位置以及真实的 token(label)
def create_masked_lm_predictions(tokens, masked_lm_prob,max_predictions_per_seq, vocab_words, rng):"""Creates the predictions for the masked LM objective."""cand_indexes = []for (i, token) in enumerate(tokens):if token == "[CLS]" or token == "[SEP]":continue# Whole Word Masking means that if we mask all of the wordpieces# corresponding to an original word. When a word has been split into# WordPieces, the first token does not have any marker and any subsequence# tokens are prefixed with ##. So whenever we see the ## token, we# append it to the previous set of word indexes.## Note that Whole Word Masking does *not* change the training code# at all -- we still predict each WordPiece independently, softmaxed# over the entire vocabulary.if (FLAGS.do_whole_word_mask and len(cand_indexes) >= 1 andtoken.startswith("##")):cand_indexes[-1].append(i)else: # 只会执行这个条件，添加的是一个 list，里面只有一个元素cand_indexes.append([i])rng.shuffle(cand_indexes)output_tokens = list(tokens)# 得到 mask 的数量num_to_predict = min(max_predictions_per_seq,max(1, int(round(len(tokens) * masked_lm_prob))))masked_lms = []covered_indexes = set()for index_set in cand_indexes:# 如果 mask 的数量大于 num_to_predict，就停止if len(masked_lms) >= num_to_predict:break# If adding a whole-word mask would exceed the maximum number of# predictions, then just skip this candidate.# index_set 是一个 list，里面只有一个元素if len(masked_lms) + len(index_set) > num_to_predict:continueis_any_index_covered = Falsefor index in index_set:if index in covered_indexes:is_any_index_covered = Truebreak# 如果已经包含了这些 index，那么就跳过if is_any_index_covered:continuefor index in index_set:# covered_indexes 是一个 setcovered_indexes.add(index)masked_token = None# 80% of the time, replace with [MASK]# 80% 的概率替换为 maskif rng.random() <0.8:masked_token = "[MASK]"else:# 剩下的 20%，再分为两半# 10% of the time, keep original# 20% *0.5 =10% 的概率保留原来的tokenif rng.random() <0.5:masked_token = tokens[index]# 10% of the time, replace with random wordelse:# 20% *0.5 =10% 的概率替换为随机的一个 tokenmasked_token = vocab_words[rng.randint(0, len(vocab_words) - 1)]output_tokens[index] = masked_tokenmasked_lms.append(MaskedLmInstance(index=index, label=tokens[index]))# 执行完循环后，mask 的数量小于 num_to_predictassert len(masked_lms) <= num_to_predict# 根据 index 排序masked_lms = sorted(masked_lms, key=lambda x: x.index)# masked_lm_positions 保存 mask 的位置masked_lm_positiOns= []# masked_lm_labels 保存 mask 的真实 tokenmasked_lm_labels = []for p in masked_lms:masked_lm_positions.append(p.index)masked_lm_labels.append(p.label)return (output_tokens, masked_lm_positions, masked_lm_labels)


write_instance_to_example_files()

现在我们再回到最外层的代码，我们得到经过 mask 的所有句子的数据 instances（instances是一个 list，每个元素是 TrainingInstance），然后调用 write_instance_to_example_files() ，将所有不到最大长度的部分用 0 补齐，保存到文件中。

代码主要流程如下：

• for 循环，遍历每个 TrainingInstance：
  
  
  
  • 把 token 转换为 id。
  
  
  • 创建 input_ids（token 的 id）、input_mask（默认为 1，当句子长度小于 max_seq_length，就补 0）、segment_ids（句子 id），并补充长度到 max_seq_length。
  
  
  • 创建 masked_lm_positions（mask 的位置）、masked_lm_ids（mask 对应的真实 token）、masked_lm_weights（默认为 1，当 mask 数量小于 max_predictions_per_seq，就补 0），并补充长度到 max_predictions_per_seq。
  
  
  • 创建 tf.train.Example，保存到 output_file 中。
  
  
  
  

# 把所有的 instance 保存到 output_files 中
def write_instance_to_example_files(instances, tokenizer, max_seq_length,max_predictions_per_seq, output_files):"""Create TF example files from `TrainingInstance`s."""writers = []for output_file in output_files:writers.append(tf.python_io.TFRecordWriter(output_file))writer_index = 0total_written = 0for (inst_index, instance) in enumerate(instances):# 把 token 转为 idinput_ids = tokenizer.convert_tokens_to_ids(instance.tokens)input_mask = [1] * len(input_ids)segment_ids = list(instance.segment_ids)assert len(input_ids) <= max_seq_length# 补全为 0，补到长度为 max_seq_lengthwhile len(input_ids)

下图是一个经过 mask 的句子的输出：

在下一篇文章中，我们会进入到 Bert 源码讲解。

如果你有疑问，欢迎留言。

参考

• 谷歌 BERT 预训练源码解析


• 阿里天池 NLP 入门赛 TextCNN 方案代码详细注释和流程讲解

如果你觉得这篇文章对你有帮助，不妨点个赞，让我有更多动力写出好文章。