当前位置：首页 > news >正文

网站建设的条件分析电商推广联盟

news 2025/8/2 18:49:34

网站建设的条件分析,电商推广联盟,dw网页设计毕业论文,厦门广告公司网站建设BERT特性： BERT的嵌入是位置绝对（position absolute）的。BERT擅长于预测掩码token和NLU，但是不擅长下一文本生成。 1.BertForTokenClassification 一个用于token级分类的模型，可用于命名实体识别(NER)、部分语音标记…

BERT特性：

BERT的嵌入是位置绝对（position absolute）的。
BERT擅长于预测掩码token和NLU，但是不擅长下一文本生成。

1.BertForTokenClassification

一个用于token级分类的模型，可用于命名实体识别(NER)、部分语音标记(POS)等。对于给定的输入序列，模型将为每个标记/词产生一个标签。
输出的维度是 [batch_size, sequence_length, num_labels]，其中 num_labels 是可能的标签数量。

class transformers.BertForTokenClassification（config）

继承父类：BertPreTrainedModel、torch.nn.Module

参数：config (BertConfig)——包含模型所有参数的模型配置类。

包含一个token分类的任务头（线性层，可用于NER）。

forward方法：

参数

input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 输入序列对应的分词索引列表（indices list）。索引根据AutoTokenizer得到。
attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), optional) — 对输入序列的部分token加上掩码，使得注意力机制不会计算到。如填充token的索引（padding token indices）。取值为 [0, 1]二者之一。取0则表明掩码，取1则表明不掩码。
token_type_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 在分句任务中，表明token是属于第一句还是第二句。取值为 [0, 1]二者之一。
position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 输入序列对应的位置索引列表（positional indices list）。取值范围为 [0, config.max_position_embeddings - 1]，从而加入位置信息。
head_mask (torch.FloatTensor of shape (num_heads,) or (num_layers, num_heads), optional) — 掩码（多头）自注意力模块的头。取值为 [0, 1]二者之一:取0则表示对应的头要掩码，取1则表示对应的头不掩码。
inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 如果想要直接将嵌入向量传入给模型，由自己控制 input_ids的关联向量，那么就传这个参数。这样就不需要由本模型内部的嵌入层矩阵运算 input_ids。
output_attentions (bool, optional) — 是否希望模型返回所有的注意力分数。
output_hidden_states (bool, optional) — 是否希望模型返回所有层的隐藏状态。
return_dict (bool, optional) — 是否希望输出的是ModelOutput，而不是直接的元组tuple。
labels (torch.LongTensor of shape (batch_size, sequence_length), optional) — 提供标签，用于计算loss。取值范围为 [0, config.max_position_embeddings - 1]。

返回值

transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

如果 return_dict 为 False（或 return_dict 为空但配置文件中 self.config.use_return_dict 为 False）:
- 如果提供了 labels 参数，输出是一个元组，包含：
  - loss: 计算的损失值。
  - logits: 分类头的输出，形状为 (batch_size, sequence_length, num_labels)。
  - 其他 BERT 的输出（例如隐藏状态和注意力权重），但这取决于 BERT 的配置和输入参数。
- 如果没有提供 labels 参数，输出只包含 logits 和其他 BERT 的输出。
如果 return_dict 为 True（或 return_dict 为空但配置文件中 self.config.use_return_dict 为 False）:
- 输出是一个 TokenClassifierOutput 对象，包含以下属性：
  - loss: 如果提供了 labels 参数，这是计算的损失值。
  - logits: 分类头的输出，形状为 (batch_size, sequence_length, num_labels)。
  - hidden_states: BERT 的隐藏状态输出。
  - attentions: BERT 的注意力权重输出。

代码实现

@add_start_docstrings("""Bert Model with a token classification head on top (a linear layer on top of the hidden-states output) e.g. forNamed-Entity-Recognition (NER) tasks.""",BERT_START_DOCSTRING,
)
class BertForTokenClassification(BertPreTrainedModel):def __init__(self, config):super().__init__(config)self.num_labels = config.num_labels  # 标签的数量self.bert = BertModel(config, add_pooling_layer=False)  # 预训练BERTclassifier_dropout = (config.classifier_dropout if config.classifier_dropout is not None else config.hidden_dropout_prob)self.dropout = nn.Dropout(classifier_dropout)self.classifier = nn.Linear(config.hidden_size, config.num_labels)  # classification任务头，加在预训练BERT之上# Initialize weights and apply final processingself.post_init()@add_start_docstrings_to_model_forward(BERT_INPUTS_DOCSTRING.format("batch_size, sequence_length"))@add_code_sample_docstrings(checkpoint=_CHECKPOINT_FOR_TOKEN_CLASSIFICATION,output_type=TokenClassifierOutput,config_class=_CONFIG_FOR_DOC,expected_output=_TOKEN_CLASS_EXPECTED_OUTPUT,expected_loss=_TOKEN_CLASS_EXPECTED_LOSS,)def forward(self,input_ids: Optional[torch.Tensor] = None,attention_mask: Optional[torch.Tensor] = None,token_type_ids: Optional[torch.Tensor] = None,position_ids: Optional[torch.Tensor] = None,head_mask: Optional[torch.Tensor] = None,inputs_embeds: Optional[torch.Tensor] = None,labels: Optional[torch.Tensor] = None,output_attentions: Optional[bool] = None,output_hidden_states: Optional[bool] = None,return_dict: Optional[bool] = None,) -> Union[Tuple[torch.Tensor], TokenClassifierOutput]:r"""labels (`torch.LongTensor` of shape `(batch_size, sequence_length)`, *optional*):Labels for computing the token classification loss. Indices should be in `[0, ..., config.num_labels - 1]`."""return_dict = return_dict if return_dict is not None else self.config.use_return_dictoutputs = self.bert(input_ids,attention_mask=attention_mask,token_type_ids=token_type_ids,position_ids=position_ids,head_mask=head_mask,inputs_embeds=inputs_embeds,output_attentions=output_attentions,output_hidden_states=output_hidden_states,return_dict=return_dict,)  # 预训练BERT的计算，得到输入序列经BERT计算的向量序列sequence_output = outputs[0]sequence_output = self.dropout(sequence_output)logits = self.classifier(sequence_output)  # 再经过最后的任务头classificationloss = Noneif labels is not None:loss_fct = CrossEntropyLoss()loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))if not return_dict:output = (logits,) + outputs[2:]return ((loss,) + output) if loss is not None else outputreturn TokenClassifierOutput(loss=loss,logits=logits,hidden_states=outputs.hidden_states,attentions=outputs.attentions,)

使用示例：

from transformers import AutoTokenizer, BertForTokenClassification
import torchtokenizer = AutoTokenizer.from_pretrained("dbmdz/bert-large-cased-finetuned-conll03-english")
model = BertForTokenClassification.from_pretrained("dbmdz/bert-large-cased-finetuned-conll03-english")inputs = tokenizer("HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
)with torch.no_grad():logits = model(**inputs).logits  # 想要得到分类后的权重，获取的是输出的logits对象。predicted_token_class_ids = logits.argmax(-1)# Note that tokens are classified rather then input words which means that
# there might be more predicted token classes than words.
# Multiple token classes might account for the same word
predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]
# predicted_tokens_classes = ['O', 'I-ORG', 'I-ORG', 'I-ORG', 'O', 'O', 'O', 'O', 'O', 'I-LOC', 'O', 'I-LOC', 'I-LOC']

2.BertForSequenceClassification

一个用于整个句子或段落级别的分类的模型，可用于情感分析、文本分类等。对于给定的输入，模型将为整个序列产生一个分类标签。
输出的维度是 [batch_size, num_labels]，其中 num_labels 是可能的分类数量。

class transformers.BertForSequenceClassification（config）

继承父类：BertPreTrainedModel、torch.nn.Module

参数：config (BertConfig)——包含模型所有参数的模型配置类。

forward方法：与BertForTokenClassification相同。

与BertForTokenClassification的差异：

BertForSequenceClassification 在 BERT 的编码器输出上增加了一个**全连接层（通常连接到 [CLS] 标记的输出）**来进行分类。
BertForTokenClassification 不需要额外的全连接层，而是直接使用 BERT输出的每个标记的表示，并可能有一个线性层来将其映射到标签空间。

使用示例：

import torch
from transformers import AutoTokenizer, BertForSequenceClassificationtokenizer = AutoTokenizer.from_pretrained("textattack/bert-base-uncased-yelp-polarity")
model = BertForSequenceClassification.from_pretrained("textattack/bert-base-uncased-yelp-polarity")inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")with torch.no_grad():logits = model(**inputs).logitspredicted_class_id = logits.argmax().item()
predicted_class_label = model.config.id2label[predicted_class_id]
# predicted_class_label = LABEL_1