Pytorch Siamese NN 与 BERT 用于句子匹配

Pytorch Siamese NN with BERT for sentence matching

我正在尝试使用 pytorch 构建 Siamese 神经网络,我在其中输入 BERT 词嵌入并试图找出两个句子是否相似(想象重复的帖子匹配、产品匹配等)。这是模型:

class SiameseNetwork(torch.nn.Module):
    def __init__(self):
        super(SiameseNetwork, self).__init__()
        self.brothers = torch.nn.Sequential(
            torch.nn.Linear(512 * 768, 512),
            torch.nn.BatchNorm1d(512),
            torch.nn.ReLU(inplace=True),
            torch.nn.Linear(512, 256),
            torch.nn.BatchNorm1d(256),
            torch.nn.ReLU(inplace=True),
            torch.nn.Linear(256, 32),
        )
        
        self.final = torch.nn.Sequential(
            torch.nn.Linear(32, 16),
            torch.nn.ReLU(inplace=True),
            torch.nn.Linear(16, 2),
        )
    
    def forward(self, left, right):
        outputLeft = self.brothers(left)
        outputRight = self.brothers(right)
        output = self.final((outputLeft - outputRight) ** 2)
        return output

bros = SiameseNetwork()
bros = bros.to(device)

标准和优化器:

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(params=bros.parameters(), lr=0.001)

训练循环:

for batch in tqdm(tLoader, desc=f"Train epoch: {epoch+1}"):
        a = batch[0].to(device)
        b = batch[1].to(device)
        y = torch.unsqueeze(batch[2].type(torch.FloatTensor), 1).to(device)
        
        optimizer.zero_grad()
        
        output = bros(a,b)
        loss = criterion(output, y)
        loss.backward()
        
        trainingLoss += loss.item()

        optimizer.step()

现在,这似乎有效,因为它产生的结果是合理的,但验证错误在一个时期后停止下降到 0.13。使用 Pytorch 在这种神经网络上找不到很多东西。有没有办法优化它?我做错了什么吗?

您的第一层参数严重过高且容易过拟合(总共有 2.01 亿个参数)。我假设形状 512 * 768 反映了标记的数量乘以它们的维度;如果是这样,您需要重新考虑您的架构。您需要某种权重共享或池化策略来将 num_words * dim 输入减少为固定表示(这正是循环网络取代句子编码的完全连接变体的原因)。特别是在基于转换器的架构中,[CLS] 标记(标记编号 0,输入前缀)通常用作序列级和双序列级任务的“摘要”标记。