摘要
CMU和google brain联手推出了bert的改进版xlnet。在这之前也有很多公司对bert进行了优化，包括百度、清华的知识图谱融合，微软在预训练阶段的多任务学习等等，但是这些优化并没有把bert致命缺点进行改进。xlnet作为bert的升级模型，主要在以下三个方面进行了优化
- 采用AR模型替代AE模型，解决mask带来的负面影响
- 双流注意力机制
- 引入transformer-xl
今天我们使用xlnet+BiLSTM实现一个二分类模型。
数据集
数据集如下图：
是顾客对餐厅的正负评价。正面的评论是1，负面的是0。这类的数据集很多，比如电影的正负评论，商品的正负评论。
模型
模型结构如下：
思路：将xlnet做为嵌入层提取特征，然后传入BiLSTM，最后使用全连接层输出分类。创建xlnet_lstm模型，代码如下：
class xlnet_lstm(nn.Module):
def __init__(self, xlnetpath, hidden_dim, output_size, n_layers, bidirectional=True, drop_prob=0.5):
super(xlnet_lstm, self).__init__()
self.output_size = output_size
self.n_layers = n_layers
self.hidden_dim = hidden_dim
self.bidirectional = bidirectional
# xlnet ----------------重点，xlnet模型需要嵌入到自定义模型里面
self.xlnet = XLNetModel.from_pretrained(xlnetpath)
for param in self.xlnet.parameters():
param.requires_grad = True
# LSTM layers
self.lstm = nn.LSTM(768, hidden_dim, n_layers, batch_first=True, bidirectional=bidirectional)
# dropout layer
self.dropout = nn.Dropout(drop_prob)
# linear and sigmoid layers
if bidirectional:
self.fc = nn.Linear(hidden_dim * 2, output_size)
else:
self.fc = nn.Linear(hidden_dim, output_size)
# self.sig = nn.Sigmoid()
def forward(self, x, hidden):
# 生成xlnet字向量
x = self.xlnet(x)[0] # xlnet 字向量
# lstm_out
# x = x.float()
lstm_out, (hidden_last, cn_last) = self.lstm(x, hidden)
# print(lstm_out.shape) #[batchsize,64,768]
# print(hidden_last.shape) #[4, batchsize, 384]
# print(cn_last.shape) #[4,batchsize, 384]
# 修改 双向的需要单独处理
if self.bidirectional:
# 正向最后一层，最后一个时刻
hidden_last_L = hidden_last[-2]#[batchsize, 384]
# 反向最后一层，最后一个时刻
hidden_last_R = hidden_last[-1]#[batchsize, 384]
# 进行拼接
hidden_last_out = torch.cat([hidden_last_L, hidden_last_R], dim=-1) #[batchsize, 768]
else:
hidden_last_out = hidden_last[-1] # [batchsize, 384]
# dropout and fully-connected layer
out = self.dropout(hidden_last_out) #out的shape[batchsize,768]
out = self.fc(out)
return out
def init_hidden(self, batch_size):
weight = next(self.parameters()).data
number = 1
if self.bidirectional:
number = 2
if (USE_CUDA):
hidden = (weight.new(self.n_layers * number, batch_size, self.hidden_dim).zero_().float().cuda(),
weight.new(self.n_layers * number, batch_size, self.hidden_dim).zero_().float().cuda()
)
else:
hidden = (weight.new(self.n_layers * number, batch_size, self.hidden_dim).zero_().float(),
weight.new(self.n_layers * number, batch_size, self.hidden_dim).zero_().float()
)
return hidden
xlnet_lstm需要的参数功6个，参数说明如下：
--xlnetpath：xlnet预训练模型的路径
--hidden_dim：隐藏层的数量。
--output_size：分类的个数。
--n_layers：lstm的层数
--bidirectional：是否是双向lstm
--drop_prob：dropout的参数
定义xlnet的参数，如下：
class ModelConfig:
batch_size = 2
output_size = 2
hidden_dim = 384 # 768/2
n_layers = 2
lr = 2e-5
bidirectional = True # 这里为True，为双向LSTM
# training params
epochs = 10
# batch_size=50
print_every = 10
clip = 5 # gradient clipping
use_cuda = USE_CUDA
xlnet_path = 'xlnet-base-chinese' # 预训练bert路径
save_path = 'xlnet_bilstm.pth' # 模型保存路径
batch_size：batchsize的大小，根据显存设置。
output_size：输出的类别个数，本例是2.
hidden_dim：隐藏层的数量。
n_layers：lstm的层数。
bidirectional：是否双向
print_every：输出的间隔。
use_cuda：是否使用cuda，默认使用，不用cuda太慢了。
xlnet_path：预训练模型存放的文件夹。
save_path：模型保存的路径。
下载预训练模型
本例使用的预训练模型是xlnet-base-cased，下载地址：https://huggingface.co/hfl/chinese-xlnet-base/tree/main
将上图画框的文件下载下来，如果下载后的名字和上面显示的名字不一样，则要修改回来。
将下载好的文件放入xlnet-base-chinese文件夹中。
配置环境
需要下载transformers和sentencepiece，执行命令：
conda install sentencepiece
conda install transformers
训练、验证和预测
训练详见train_model函数，验证详见test_model，单次预测详见predict函数。
代码和模型链接：
https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/36194843
