知识卡片
BERT文本分类流程
用预训练 BERT 做下游分类可拆成五个环节:准备原始文本、转成 BERT 兼容的三种张量、在 BERT 之上接新层构成任务模型、训练、对新样本推论。其中真正体现 BERT 特性的是“格式转换”和“加层”两步,其余与常规机器学习一致。本章把这条流水线落在假新闻三分类任务上,形成一个可复用模板。
结构图:
classDiagram
class RawText {
+prepareCorpus()
+cleanAndFilter()
}
class BertInputFormat {
+tokensTensor
+segmentsTensor
+masksTensor
+paddingWithZero()
}
class DownstreamModel {
+bertForSequenceClassification
+dropout
+classifierLinear
}
class Training {
+AdamOptimizer
+forwardBackward()
+computeAccuracy()
}
class Inference {
+getPredictions()
+mapLabelToText()
}
RawText --> BertInputFormat : convert
BertInputFormat --> DownstreamModel : feed
DownstreamModel --> Training : fineTune
Training --> Inference : trainedModel
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第14章 用BERT实现中文语句分类 · 查看原书依据
用BERT预训练模型微调下游任务有5个步骤: 1)准备原始文本数据; 2)将原始文本转换成BERT兼容的输入格式; 3)在BERT之上加入新Layer生成下游任务模型; 4)训练该下游任务模型; 5)对新样本做推论。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第14章 用BERT实现中文语句分类(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter18_0003.xhtml)
- 结论依据:14.3 节开头明确列出微调的 5 个步骤,后文各小节依次对应数据、输入格式、模型、训练与测试。
- 原始内容:用BERT预训练模型微调下游任务有5个步骤: 1)准备原始文本数据; 2)将原始文本转换成BERT兼容的输入格式; 3)在BERT之上加入新Layer生成下游任务模型; 4)训练该下游任务模型; 5)对新样本做推论。