简介：本文将介绍 KerasNLP 的安装及使用，以及如何使用它在情感分析任务中微调 BERT 的预训练模型。

1. KerasNLP库

KerasNLP 是一个自然语言处理库，兼容 TensorFlow、JAX 和 PyTorch 等多种深度学习框架。基于 Keras 3 构建，这些模型、层、指标和分词器可以在任何框架中训练和序列化，并且可重复应用于其他框架中，无需其他复杂开发步骤。

安装代码

pip install --upgrade keras-nlp
pip install --upgrade keras

---

2. BERT模型介绍

BERT，全称为Bidirectional Encoder Representations from Transformers，是由谷歌AI团队提出的一种预训练语言模型。

它基于Transformer架构，通过双向的编码器对文本进行建模，即同时考虑上下文信息，从而捕捉词汇间的深层语义关系。

BERT在预训练阶段使用无监督的Masked Language Model（掩码语言模型）和Next Sentence Prediction（下一句预测）任务进行训练，随后可以通过微调在各种自然语言处理任务中取得显著的效果。BERT的出现极大地提升了NLP领域的表现，广泛应用于问答系统、文本分类、命名实体识别等任务。

更多的NLP模型参考：KerasNLP Models

---

3. 代码示例

项目介绍：

项目的主要目标是通过微调预训练的BERT模型，准确地将电影评论分类为正面或负面。

数据集介绍：
本文使用的是tensorflow内置的IMDB影评数据集。该数据集包含来自互联网电影数据库（IMDB）的 50,000 条影评，用于二分类任务（正面和负面）。IMDB数据集是情感分析的经典数据集，广泛用于评估和比较不同模型的性能。

# 配置环境
import os
os.environ["KERAS_BACKEND"] = "tensorflow"  # Or "jax" or "torch"!# 导入库
import keras_nlp
import tensorflow_datasets as tfds# 导入数据
imdb_train, imdb_test = tfds.load("imdb_reviews",split=["train[:10%]", "test[:10%]"], #原代码为split=["train", "test"],这里只取10%的样本量以减少训练耗时as_supervised=True,batch_size=16,
)# 加载BERT模型
classifier = keras_nlp.models.BertClassifier.from_preset("bert_base_en_uncased", num_classes=2,  # 结果只需要两种分类：正面OR负面
)# 模型训练
classifier.fit(imdb_train, validation_data=imdb_test)# 预测结果
classifier.predict(["What an amazing movie!", "A total waste of my time."])

结果输出：
![[超快速入门 KerasNLP & KerasCV-20240625170242587.webp|524]]

解释： 每行对应一个输入样本（电影评论），每个样本的预测分数有两个值。这些分数是未经过处理的原始logits，分别对应两个分类（正面和负面）。

• 第一行[-2.00009, 1.8325567]：对应(What an amazing movie!)。 由于正面评论（1.83）的分数高于负面评论（-2.00），模型预测为正面评论。

• 第二行[1.9168645, -1.5912567]：对应样本二(A total waste of my time.）。由于负面评论（1.91）的分数高于正面评论（-1.59），模型预测为负面评论。

在此例中，使用的是 KerasNLP 的 BertClassifier，默认情况下，它会按照标签顺序输出预测分数。假设数据集中正面评论标签为1，负面评论标签为0，那么模型输出的第一个分数对应标签0（负面），第二个分数对应标签1（正面）。

---

查看数据集的类别标签及顺序:

info = tfds.builder('imdb_reviews').info
print(info.features['label'].names)

输出：

---

结果转换：
我们可以使用Softmax函数将原始分数logits转换成对应的类别标签：

import numpy as np
import tensorflow as tflogits = np.array([[-2.00009, 1.8325567], [1.9168645, -1.5912567]])# 1. 定义 softmax 函数：
def softmax(x):return tf.nn.softmax(x)# 2. 计算 softmax 概率：
probabilities = softmax(logits)# 3. 获取预测类别索引
predicted_classes = np.argmax(probabilities, axis=1)# 定义类别标签映射
class_labels = ['neg', 'pos']# 将预测类别索引转换为对应的标签
predicted_labels = [class_labels[idx] for idx in predicted_classes]# 打印每条评论的预测结果
test_reviews = ["What an amazing movie!", "A total waste of my time."]
for review, label in zip(test_reviews, predicted_labels):print(f"Review: \"{review}\" -> Sentiment: {label}")# 输出 logits、softmax 概率和预测类别（可选）
print("Logits:\n", logits)
print("Probabilities:\n", probabilities)
print("Predicted Classes:\n", predicted_classes)

参考链接：KerasNLP