def run_main():
args = parse_arg()
if args.IMDb:
ds = ds_imdb
else:
ds = ds_jptxt
print("1. preparing datasets ... ", end="", flush=True)
dataset_generator = ds.DataSetGenerator(args.vocab_file[0],
args.text_length,
mecab_dict=args.mecab_dict)
test_ds = dataset_generator.loadTSV(args.tsv_file[0])
test_dl = ds.get_data_loader(test_ds, args.batch_size, for_train=False)
dataset_generator.build_vocab(test_ds)
print("done.", flush=True)
print("2. loading network ... ", end="", flush=True)
conf = get_config(file_path=args.conf[0])
bert_base = BertModel(conf)
net = BertClassifier(bert_base, out_features=2)
net.load_state_dict(torch.load(args.load_path[0]))
net.eval()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
net.to(device)
print("done.", flush=True)
criterion = torch.nn.CrossEntropyLoss() # クラス分けの場合
# criterion = torch.nn.MSELoss() # 数値予測の場合
print("3. run tests. ", flush=True)
epoch_acc = test_model(net, test_dl, criterion, device)
print("# of test data: {} || Acc. {:.4f}".format(len(test_dl.dataset),
epoch_acc))
def bert_model():
config = get_config(file_path=BERT_CONFIG)
net_bert = BertModel(config)
net_trained = BertForEmoji(net_bert)
net_trained.load_state_dict(
torch.load(MODEL_FILE, map_location=torch.device('cpu')))
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
net_trained.eval()
net_trained.to(device)
return net_trained
def build_bert_model():
config = get_config(file_path=BERT_CONFIG)
net_bert = BertModel(config) # BERTモデルを作成します
net_trained = BertForchABSA(net_bert)
net_trained.load_state_dict(torch.load(MODEL_FILE, map_location='cpu'))
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
net_trained.eval() # モデルを検証モードに
net_trained.to(device)
return net_trained
def __init__(self,
data_dir=r'./',
bert_dir=r'./pytorch_advanced/nlp_sentiment_bert/'):
self.data_dir = data_dir
self.bert_dir = bert_dir
self.tokenizer_bert = BertTokenizer(
vocab_file=self.bert_dir + "vocab/bert-base-uncased-vocab.txt",
do_lower_case=True)
self.vocab_bert, self.ids_to_tokens_bert = load_vocab(
vocab_file=self.bert_dir + "vocab/bert-base-uncased-vocab.txt")
config = get_config(file_path=self.bert_dir +
"weights/bert_config.json")
self.net_bert = BertModel(config)
self.net_bert = set_learned_params(self.net_bert,
weights_path=self.bert_dir +
"weights/pytorch_model.bin")
def run_main():
args = parse_arg()
if args.random_seed is not None:
init_random_seed(args.random_seed)
if args.IMDb:
ds = ds_imdb
else:
ds = ds_jptxt
print("1. preparing datasets ... ", end="", flush=True)
dataset_generator = ds.DataSetGenerator(
args.vocab_file[0],
args.text_length,
do_normalize_text=args.normalize_text,
mecab_dict=args.mecab_dict)
data_set = dataset_generator.loadTSV(args.train_tsv[0])
train_ds, validation_ds = data_set.split(split_ratio=0.8,
random_state=random.seed(1234))
dataset_generator.build_vocab(train_ds)
train_dl = ds.get_data_loader(train_ds, args.batch_size, for_train=True)
validation_dl = ds.get_data_loader(validation_ds,
args.batch_size,
for_train=False)
print("done.", flush=True)
print("2. preparing network ... ", end="", flush=True)
conf = get_config(file_path=args.conf[0])
bert_base = BertModel(conf)
bert_base = set_learned_params(bert_base, weights_path=args.bert_model[0])
net = BertClassifier(bert_base, out_features=2) # out_features = クラス数
net.train()
optimizer = get_optimizer(net)
criterion = torch.nn.CrossEntropyLoss() # クラス分けの場合
# criterion = torch.nn.MSELoss() # 数値予測の場合
print("done.", flush=True)
print("3. start to train.", flush=True)
data_loader_set = {"train": train_dl, "validation": validation_dl}
net_trained = train_model(net, data_loader_set, criterion, optimizer,
args.epoch)
if args.save_path is not None:
torch.save(net_trained.to("cpu").state_dict(), args.save_path)
def run_main():
args = parse_arg()
if args.IMDb:
ds = ds_imdb
else:
ds = ds_jptxt
print("1. preparing datasets ... ", end="", flush=True)
dataset_generator = ds.DataSetGenerator(args.vocab_file[0],
args.text_length, args.mecab_dict)
dataset = dataset_generator.loadTSV_at_index(args.tsv_file[0], args.index)
dataset_generator.build_vocab(dataset)
dataloader = ds.get_data_loader(dataset, args.batch_size, for_train=False)
print("done.", flush=True)
print("2. loading network ... ", end="", flush=True)
conf = get_config(file_path=args.conf[0])
bert_base = BertModel(conf)
net = BertClassifier(bert_base, out_features=2)
net.load_state_dict(torch.load(args.load_path[0]))
net.eval()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
net.to(device)
print("done.", flush=True)
example = next(iter(dataloader))
inputs = example.Text[0].to(device) # 文章
preds, attention_probs = predict(net, inputs)
if args.save_html is not None:
print("3. generating HTML file.", flush=True)
html = mk_html(example.Text[0][0], example.Label[0], preds[0],
attention_probs, dataset_generator.tokenizer)
with open(args.save_html, "w") as f:
f.write(html)
elif args.save_raw_attn is not None:
print("3. generating raw attention tsv file.", flush=True)
mk_high_attention_words_list(example.Text[0][0], example.Label[0],
preds[0], attention_probs,
dataset_generator.tokenizer,
args.save_raw_attn)
else:
print("no flag for saving file")
# IDを単語に戻す
text = tokenizer_bert.convert_ids_to_tokens(text_minibatch_1)
print(text)
# # 2.BERTによるネガポジ分類モデル実装
# In[16]:
from utils.bert import get_config, BertModel,BertForchABSA, set_learned_params
# モデル設定のJOSNファイルをオブジェクト変数として読み込みます
config = get_config(file_path="./weights/bert_config.json")
# BERTモデルを作成します
net_bert = BertModel(config)
# BERTモデルに学習済みパラメータセットします
net_bert = set_learned_params(
net_bert, weights_path="./weights/pytorch_model.bin")
# In[17]:
# モデル構築
net = BertForchABSA(net_bert)
encoded_layers, _ = self.bert(
input_ids, token_type_ids, attention_mask, output_all_encoded_layers, attention_show_flg)
# 入力文章の1単語目[CLS]の特徴量を使用して、ポジ・ネガを分類します
vec_0 = encoded_layers[:, 0, :]
vec_0 = vec_0.view(-1, self.cls.in_features) # sizeを[batch_size, hidden_sizeに変換
out = self.cls(vec_0)
# attention_showのときは、attention_probs（1番最後の）もリターンする
if attention_show_flg == True:
return out, attention_probs
elif attention_show_flg == False:
return out
if __name__ == "__main__":
import argparse
from utils.bert import BertModel, get_config, set_learned_params
def parse_arg():
parser = argparse.ArgumentParser(description="Test for BERT for Japanese Texts.")
parser.add_argument("conf", type=str, nargs=1, help="a configuration file.")
parser.add_argument("model", type=str, nargs=1, help="a trained model file.")
return parser.parse_args()
args = parse_arg()
conf = get_config(file_path=args.conf[0])
bert_base = BertModel(conf)
bert_base = set_learned_params(bert_base, weights_path=args.model[0])
net = BertClassifier(bert_base, out_features=2)
print(net)
def main():
# define output dataframe
sample = pd.read_csv("./data/sample_submission.csv")
# データを読み込んだときに、読み込んだ内容に対して行う処理を定義します
max_length = 256
TEXT = torchtext.data.Field(sequential=True,
tokenize=tokenizer_with_preprocessing,
use_vocab=True,
lower=True,
include_lengths=True,
batch_first=True,
fix_length=max_length,
init_token="[CLS]",
eos_token="[SEP]",
pad_token='[PAD]',
unk_token='[UNK]')
LABEL1 = torchtext.data.Field(sequential=False, use_vocab=False)
LABEL2 = torchtext.data.Field(sequential=False, use_vocab=False)
LABEL3 = torchtext.data.Field(sequential=False, use_vocab=False)
LABEL4 = torchtext.data.Field(sequential=False, use_vocab=False)
LABEL5 = torchtext.data.Field(sequential=False, use_vocab=False)
LABEL6 = torchtext.data.Field(sequential=False, use_vocab=False)
# (注釈)：各引数を再確認
# sequential: データの長さが可変か？文章は長さがいろいろなのでTrue.ラベルはFalse
# tokenize: 文章を読み込んだときに、前処理や単語分割をするための関数を定義
# use_vocab：単語をボキャブラリーに追加するかどうか
# lower：アルファベットがあったときに小文字に変換するかどうか
# include_length: 文章の単語数のデータを保持するか
# batch_first：ミニバッチの次元を先頭に用意するかどうか
# fix_length：全部の文章を指定した長さと同じになるように、paddingします
# init_token, eos_token, pad_token, unk_token：文頭、文末、padding、未知語に対して、どんな単語を与えるかを指定
# フォルダ「data」から各tsvファイルを読み込みます
# BERT用で処理するので、10分弱時間がかかります
temp_path = preprocessing.reformat_csv_header(path="./data",
train_file="train.csv",
test_file="test.csv")
print("temp path {}".format(temp_path))
print("text {}".format(vars(TEXT)))
train_val_ds, test_ds = torchtext.data.TabularDataset.splits(
path=temp_path,
train='train.csv',
test='test.csv',
format='csv',
fields=[('Text', TEXT), ('toxic', LABEL1), ('severe_toxic', LABEL2),
('obscene', LABEL3), ('threat', LABEL4), ('insult', LABEL5),
('identity_hate', LABEL6)])
# torchtext.data.Datasetのsplit関数で訓練データとvalidationデータを分ける
train_ds, val_ds = train_val_ds.split(split_ratio=0.8,
random_state=random.seed(2395))
# BERTはBERTが持つ全単語でBertEmbeddingモジュールを作成しているので、ボキャブラリーとしては全単語を使用します
# そのため訓練データからボキャブラリーは作成しません
vocab_bert, ids_to_tokens_bert = load_vocab(
vocab_file="./weights/bert-base-uncased-vocab.txt")
# このまま、TEXT.vocab.stoi= vocab_bert (stoiはstring_to_IDで、単語からIDへの辞書)としたいですが、
# 一度bulild_vocabを実行しないとTEXTオブジェクトがvocabのメンバ変数をもってくれないです。
# （'Field' object has no attribute 'vocab' というエラーをはきます）
# 1度適当にbuild_vocabでボキャブラリーを作成してから、BERTのボキャブラリーを上書きします
TEXT.build_vocab(train_ds, min_freq=1)
TEXT.vocab.stoi = vocab_bert
# DataLoaderを作成します（torchtextの文脈では単純にiteraterと呼ばれています）
batch_size = 16 # BERTでは16、32あたりを使用する
train_dl = torchtext.data.Iterator(train_ds,
batch_size=batch_size,
train=True)
val_dl = torchtext.data.Iterator(val_ds,
batch_size=batch_size,
train=False,
sort=False)
test_dl = torchtext.data.Iterator(test_ds,
batch_size=batch_size,
train=False,
sort=False)
# 辞書オブジェクトにまとめる
dataloaders_dict = {"train": train_dl, "val": val_dl}
print(vars(train_ds[0]))
print(vars(test_ds[0]))
# モデル設定のJOSNファイルをオブジェクト変数として読み込みます
config = get_config(file_path="./weights/bert_config.json")
# BERTモデルを作成します
net_bert = BertModel(config)
# BERTモデルに学習済みパラメータセットします
net_bert = set_learned_params(net_bert,
weights_path="./weights/pytorch_model.bin")
for label in [
'toxic', 'severe_toxic', 'obscene', 'threat', 'insult',
'identity_hate'
]:
# モデル構築
net = BertTraining(net_bert)
# 訓練モードに設定
net.train()
print('done setup network')
# 勾配計算を最後のBertLayerモジュールと追加した分類アダプターのみ実行
# 1. まず全部を、勾配計算Falseにしてしまう
for name, param in net.named_parameters():
param.requires_grad = False
# 2. 最後のBertLayerモジュールを勾配計算ありに変更
for name, param in net.bert.encoder.layer[-1].named_parameters():
param.requires_grad = True
# 3. 識別器を勾配計算ありに変更
for name, param in net.cls.named_parameters():
param.requires_grad = True
# 最適化手法の設定
# BERTの元の部分はファインチューニング
optimizer = optim.Adam(
[{
'params': net.bert.encoder.layer[-1].parameters(),
'lr': 5e-5
}, {
'params': net.cls.parameters(),
'lr': 5e-5
}],
betas=(0.9, 0.999))
# 損失関数の設定
criterion = nn.CrossEntropyLoss()
# nn.LogSoftmax()を計算してからnn.NLLLoss(negative log likelihood loss)を計算
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# 学習・検証を実行する。1epochに20分ほどかかります
num_epochs = 2
net_trained = train_model(net,
dataloaders_dict,
criterion,
optimizer,
num_epochs=num_epochs,
label=label,
device=device)
# 学習したネットワークパラメータを保存します
save_path = './weights/bert_fine_tuning_weights.pth'
torch.save(net_trained.state_dict(), save_path)
# テストデータ
net_trained.eval() # モデルを検証モードに
net_trained.to(device) # GPUが使えるならGPUへ送る
predicts = []
for batch in tqdm(test_dl): # testデータのDataLoader
# batchはTextとLableの辞書オブジェクト
# GPUが使えるならGPUにデータを送る
inputs = batch.Text[0].to(device) # 文章
# 順伝搬（forward）計算
with torch.set_grad_enabled(False):
# BertForIMDbに入力
outputs = net_trained(inputs,
token_type_ids=None,
attention_mask=None,
output_all_encoded_layers=False,
attention_show_flg=False)
_, preds = torch.max(outputs, 1) # ラベルを予測
preds = preds.cpu()
preds = preds.numpy().tolist()
predicts += preds
sample[label] = predicts
# save predictions
if not os.path.exists("./submission"):
os.mkdir("./submission")
sample.to_csv("./submission/submission_Bert_{}_{}ep.csv".format(
datetime.datetime.now().date(), num_epochs),
index=False)