使用 BERT 进行文本分类（03/3）

一、说明

在使用BERT（2）进行文本分类时，我们讨论了什么是PyTorch以及如何预处理我们的数据，以便可以使用BERT模型对其进行分析。在这篇文章中，我将向您展示如何训练分类器并对其进行评估。

二、准备数据的又一个步骤

上次，我们使用train_test_split将数据拆分为测试和验证数据。接下来需要的一个重要步骤是将数据转换为值列表，以便稍后可以在我们的训练器方法中调用它们。此步骤在其他教程中经常被忽略，当您无法微调模型时，这通常是问题所在。

# This is a continuation from the code written in Text Classification with BERT (2)
from sklearn.model_selection import train_test_split
X_train, X_val, y_train, y_val = train_test_split(df_balanced['Message'],df_balanced['Label'], stratify=df_balanced['Label'], test_size=.2)# Store everything in list of values
train_texts = X_train.to_list()
val_texts = X_val.to_list()
train_labels = y_train.to_list()
val_labels = y_val.to_list()

2.1 标记化

现在我们已经准备好了我们的数据集，我们需要做一些标记化。我们将使用DistilBERT来实现这一点。引用拥抱脸的话：

DistilBERT是一种小型，快速，廉价和轻便的变压器模型，通过蒸馏Bert基础进行训练。它的参数比 bert-base-uncase 少 40%，运行速度快 60%，同时保留了 95% 以上的 Bert 性能，如 GLUE 语言理解基准测试所示。

导入模型后，我们将文本传递给分词器。如果您已经忘记了填充和截断，请检查使用 BERT 进行文本分类（01/3）的文

from transformers import DistilBertTokenizerFast
tokenizer = DistilBertTokenizerFast.from_pretrained('distilbert-base-uncased')train_encodings = tokenizer(train_texts, truncation=True, padding=True)
val_encodings = tokenizer(val_texts, truncation=True, padding=True)

2.2 格式化我们的数据集

在这里，我们需要将输入数据转换为可用于使用 PyTorch 训练深度学习模型的格式。

import torchclass SmapDataset(torch.utils.data.Dataset):def __init__(self, encodings, labels):self.encodings = encodingsself.labels = labelsdef __getitem__(self, idx):item = {key: torch.tensor(val[idx]) for key, val in self.encodings.items()}item['labels'] = torch.tensor(self.labels[idx])return itemdef __len__(self):return len(self.labels)train_dataset = SmapDataset(train_encodings, train_labels)
val_dataset = SmapDataset(val_encodings, val_labels)

类的构造函数方法（）通过将输入存储为和类属性来初始化数据集对象。__init__SmapDatasetencodingslabels

此类的方法用于从给定索引处的数据集中检索单个项目。它返回一个包含两个元素的字典对象：__getitem__idxitem

该元素是包含输入编码的字典对象，其中键是编码功能的名称，值是包含给定索引处的编码数据的 PyTorch 张量。encodingsidx
该元素是一个 PyTorch 张量，其中包含给定索引处的标签数据。labelsidx

此类的方法返回数据集中的样本总数。__len__

最后，代码创建两个数据集对象，并使用类传入、、和作为输入参数。这些数据集对象可用于在 PyTorch 模型中进行训练和验证。train_datasetval_datasetSmapDatasettrain_encodingstrain_labelsval_encodingsval_labels

2.3 使用培训师进行微调

我们以培训师预期的方式准备了数据。现在我们需要根据数据微调预训练模型。默认情况下，trainer.train 方法将仅报告训练损失。我将定义自己的指标函数并将其传递给培训师。

from sklearn.metrics import accuracy_score, precision_recall_fscore_supportdef compute_metrics(pred):labels = pred.label_idspreds = pred.predictions.argmax(-1)precision, recall, f1, _ = precision_recall_fscore_support(labels, preds, average='weighted', zero_division=0)acc = accuracy_score(labels, preds)return {'accuracy': acc,'f1': f1,'precision': precision,'recall': recall}

准确性： 这是正确分类的样本占数据集中样本总数的比例。换句话说，它衡量模型正确预测数据集中所有样本的类标签的能力。虽然准确性是一个常用的指标，但在某些情况下可能会产生误导，尤其是在处理类分布不相等的不平衡数据集时。
精度：此指标度量真阳性预测（正确预测的正样本）在模型做出的所有正预测中的比例。换句话说，它衡量模型正确预测正样本的频率。当我们想要避免假阳性预测时，即当错误地将样本预测为阳性时，当样本实际上是负数时，精度非常有用。
召回：此指标衡量数据集中所有真阳性样本中真正预测的比例。换句话说，它衡量模型找到所有正样本的能力。当我们想要避免假阴性预测时，即当错误地将样本预测为阴性时，当样本实际上是阳性时，召回率很有用。
F1比分：此指标是精度和召回率的调和平均值，并提供了一种平衡这两个指标的方法。它衡量精度和召回率之间的平衡，并且在假阳性和假阴性错误都有后果时很有用。

from transformers import DistilBertForSequenceClassification, Trainer, TrainingArgumentstraining_args = TrainingArguments(output_dir='./results',          # output directorynum_train_epochs=3,              # total number of training epochsper_device_train_batch_size=16,  # batch size per device during trainingper_device_eval_batch_size=64,   # batch size for evaluationwarmup_steps=500,                # number of warmup steps for learning rate schedulerweight_decay=0.01,               # strength of weight decaylogging_dir='./logs',            # directory for storing logslogging_steps=10,evaluation_strategy="steps"
)model = DistilBertForSequenceClassification.from_pretrained("distilbert-base-uncased")trainer = Trainer(model=model,                         # the instantiated 🤗 Transformers model to be trainedargs=training_args,                  # training arguments, defined abovetrain_dataset=train_dataset,         # training dataseteval_dataset=val_dataset,            # validation datasetcompute_metrics=compute_metrics     
)trainer.train()