在测试 bert 模型期间分配权重

Question

我有一个基本的概念疑问。当我在句子上训练一个伯特模型时说：

Train: "went to get loan from bank" 
Test :"received education loan from bank"

测试句子如何为每个标记分配权重，因为我没有通过准确的句子进行测试，并且稍微添加了一些词，如“教育”，这会稍微改变上下文

假设在我的模型中没有训练这样的上下文，在我进一步微调之前如何为我的 bert 中的每个标记分配权重

如果我对我的问题感到困惑，简单地说，我试图了解在测试期间如果上下文发生轻微变化而未受训练时权重是如何分配的。

Answer 1

令牌的向量表示（请记住令牌！= 词）存储在嵌入层中。当我们加载 'bert-base-uncased' 模型时，我们可以看到它“知道”30522 个标记，每个标记的向量表示由 768 个元素组成：

from transformers import BertModel
bert= BertModel.from_pretrained('bert-base-uncased')
print(bert.embeddings.word_embeddings)

输出：

Embedding(30522, 768, padding_idx=0)

这个嵌入层不知道任何字符串，但知道 id。例如id101的向量表示为：

print(bert.embeddings.word_embeddings.weight[101])

输出：

tensor([ 1.3630e-02, -2.6490e-02, -2.3503e-02, -7.7876e-03,  8.5892e-03,
        -7.6645e-03, -9.8808e-03,  6.0184e-03,  4.6921e-03, -3.0984e-02,
         1.8883e-02, -6.0093e-03, -1.6652e-02,  1.1684e-02, -3.6245e-02,
         8.3482e-03, -1.2112e-03,  1.0322e-02,  1.6692e-02, -3.0354e-02,
        ...
         5.4162e-03, -3.0037e-02,  8.6773e-03, -1.7942e-03,  6.6826e-03,
        -1.1929e-02, -1.4076e-02,  1.6709e-02,  1.6860e-03, -3.3842e-03,
         8.6805e-03,  7.1340e-03,  1.5147e-02], grad_fn=<SelectBackward>)

BERT 无法处理“已知”ID 之外的所有内容。要回答您的问题，我们需要查看将字符串映射到 ID 的组件。该组件称为分词器。有不同的标记化 approaches。 BERT 使用 WordPiece 分词器，这是一种子词算法。该算法将所有无法从其词汇表中创建的内容替换为未知标记，这是词汇表的一部分（[UNK]在原始实现，id: 100).

请查看以下小示例，其中从头开始训练 WordPiece 分词器以确认行为：

from tokenizers import BertWordPieceTokenizer
path ='file_with_your_trainings_sentence.txt'
tokenizer = BertWordPieceTokenizer()
tokenizer.train(files=path, vocab_size=30000, special_tokens=['[UNK]', '[SEP]', '[PAD]', '[CLS]', '[MASK]'])
otrain = tokenizer.encode("went to get loan from bank")
otest =  tokenizer.encode("received education loan from bank")

print('Vocabulary size: {}'.format(tokenizer.get_vocab_size()))
print('Train tokens: {}'.format(otrain.tokens))
print('Test tokens: {}'.format(otest.tokens))

输出：

Vocabulary size: 27
Train tokens: ['w', '##e', '##n', '##t', 't', '##o', 'g', '##e', '##t', 'l', '##o', '##an', 'f', '##r', '##o', '##m', 'b', '##an', '##k']
Test tokens: ['[UNK]', '[UNK]', 'l', '##o', '##an', 'f', '##r', '##o', '##m', 'b', '##an', '##k']

在测试 bert 模型期间分配权重

Assigning weights during testing the bert model

bert-language-model

huggingface-transformers

transformer

language-model