.. _sec_natural-language-inference-bert: 自然言語推論: BERTのファインチューニング ======================================== この章の前半では、 SNLIデータセット(:numref:`sec_natural-language-inference-and-dataset` で説明)における自然言語推論タスクのために、 注意機構に基づくアーキテクチャを設計した (:numref:`sec_natural-language-inference-attention` を参照)。 ここでは、このタスクをBERTのファインチューニングによって再び扱いる。 :numref:`sec_finetuning-bert` で述べたように、 自然言語推論は系列レベルのテキスト対分類問題であり、 BERTのファインチューニングには、 :numref:`fig_nlp-map-nli-bert` に示すような、 追加のMLPベースのアーキテクチャだけが必要である。 .. _fig_nlp-map-nli-bert: .. figure:: ../img/nlp-map-nli-bert.svg この節では、事前学習済みBERTを自然言語推論のためのMLPベースのアーキテクチャに入力する。 この節では、 事前学習済みのBERTの小さい版をダウンロードし、 SNLIデータセット上の自然言語推論のために それをファインチューニングする。 .. raw:: html
pytorchmxnetjaxtensorflow
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python from d2l import torch as d2l import json import multiprocessing import torch from torch import nn import os .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python from d2l import mxnet as d2l import json import multiprocessing from mxnet import gluon, np, npx from mxnet.gluon import nn import os npx.set_np() .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python devices = d2l.try_all_gpus() bert, vocab = load_pretrained_model( 'bert.small', num_hiddens=256, ffn_num_hiddens=512, num_heads=4, num_blks=2, dropout=0.1, max_len=512, devices=devices) .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python devices = d2l.try_all_gpus() bert, vocab = load_pretrained_model( 'bert.small', num_hiddens=256, ffn_num_hiddens=512, num_heads=4, num_blks=2, dropout=0.1, max_len=512, devices=devices) .. raw:: html
.. raw:: html
事前学習済みBERTの読み込み -------------------------- WikiText-2データセット上でBERTを事前学習する方法は、 :numref:`sec_bert-dataset` と :numref:`sec_bert-pretraining` で説明した (なお、元のBERTモデルははるかに大きなコーパスで事前学習されている)。 :numref:`sec_bert-pretraining` で述べたように、 元のBERTモデルは数億個のパラメータを持っている。 以下では、事前学習済みBERTの2つの版を用意する。 「bert.base」は元のBERT baseモデルとほぼ同じ大きさで、ファインチューニングには多くの計算資源を必要とする。 一方、「bert.small」はデモをしやすくするための小さい版である。 .. raw:: html
pytorchmxnet
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python d2l.DATA_HUB['bert.base'] = (d2l.DATA_URL + 'bert.base.torch.zip', '225d66f04cae318b841a13d32af3acc165f253ac') d2l.DATA_HUB['bert.small'] = (d2l.DATA_URL + 'bert.small.torch.zip', 'c72329e68a732bef0452e4b96a1c341c8910f81f') .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python d2l.DATA_HUB['bert.base'] = (d2l.DATA_URL + 'bert.base.zip', '7b3820b35da691042e5d34c0971ac3edbd80d3f4') d2l.DATA_HUB['bert.small'] = (d2l.DATA_URL + 'bert.small.zip', 'a4e718a47137ccd1809c9107ab4f5edd317bae2c') .. raw:: html
.. raw:: html
どちらの事前学習済みBERTモデルにも、語彙集合を定義する「vocab.json」ファイルと、 事前学習済みパラメータを格納した「pretrained.params」ファイルが含まれている。 以下の ``load_pretrained_model`` 関数を実装して、事前学習済みBERTのパラメータを読み込みます。 .. raw:: html
pytorchmxnet
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python def load_pretrained_model(pretrained_model, num_hiddens, ffn_num_hiddens, num_heads, num_blks, dropout, max_len, devices): data_dir = d2l.download_extract(pretrained_model) # Define an empty vocabulary to load the predefined vocabulary vocab = d2l.Vocab() vocab.idx_to_token = json.load(open(os.path.join(data_dir, 'vocab.json'))) vocab.token_to_idx = {token: idx for idx, token in enumerate( vocab.idx_to_token)} bert = d2l.BERTModel( len(vocab), num_hiddens, ffn_num_hiddens=ffn_num_hiddens, num_heads=4, num_blks=2, dropout=0.2, max_len=max_len) # Load pretrained BERT parameters bert.load_state_dict(torch.load(os.path.join(data_dir, 'pretrained.params'))) return bert, vocab .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python def load_pretrained_model(pretrained_model, num_hiddens, ffn_num_hiddens, num_heads, num_blks, dropout, max_len, devices): data_dir = d2l.download_extract(pretrained_model) # Define an empty vocabulary to load the predefined vocabulary vocab = d2l.Vocab() vocab.idx_to_token = json.load(open(os.path.join(data_dir, 'vocab.json'))) vocab.token_to_idx = {token: idx for idx, token in enumerate( vocab.idx_to_token)} bert = d2l.BERTModel(len(vocab), num_hiddens, ffn_num_hiddens, num_heads, num_blks, dropout, max_len) # Load pretrained BERT parameters bert.load_parameters(os.path.join(data_dir, 'pretrained.params'), ctx=devices) return bert, vocab .. raw:: html
.. raw:: html
多くのマシンでデモを行いやすくするために、 この節では事前学習済みBERTの小さい版(「bert.small」)を読み込み、 ファインチューニングする。 演習では、はるかに大きい「bert.base」をファインチューニングして、 テスト精度を大幅に改善する方法を示す。 .. raw:: latex \diilbookstyleinputcell .. code:: python devices = d2l.try_all_gpus() bert, vocab = load_pretrained_model( 'bert.small', num_hiddens=256, ffn_num_hiddens=512, num_heads=4, num_blks=2, dropout=0.1, max_len=512, devices=devices) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output Downloading ../data/bert.small.torch.zip from http://d2l-data.s3-accelerate.amazonaws.com/bert.small.torch.zip... BERTファインチューニング用データセット -------------------------------------- SNLIデータセット上の下流タスクである自然言語推論に対して、 カスタマイズしたデータセットクラス ``SNLIBERTDataset`` を定義する。 各例では、 前提と仮説がテキスト系列のペアを形成し、 :numref:`fig_bert-two-seqs` に示すように1つのBERT入力系列にまとめられる。 :numref:`subsec_bert_input_rep` を思い出してほしい。セグメントIDは、 BERT入力系列内で前提と仮説を区別するために使われる。 BERT入力系列の事前定義された最大長(\ ``max_len``\ )に対して、 入力テキスト対のうち長い方の末尾トークンは、 ``max_len`` を満たすまで削除され続ける。 BERTのファインチューニングのためのSNLIデータセット生成を高速化するために、 4つのワーカープロセスを使って訓練例またはテスト例を並列生成する。 .. raw:: html
pytorchmxnet
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python class SNLIBERTDataset(torch.utils.data.Dataset): def __init__(self, dataset, max_len, vocab=None): all_premise_hypothesis_tokens = [[ p_tokens, h_tokens] for p_tokens, h_tokens in zip( *[d2l.tokenize([s.lower() for s in sentences]) for sentences in dataset[:2]])] self.labels = torch.tensor(dataset[2]) self.vocab = vocab self.max_len = max_len (self.all_token_ids, self.all_segments, self.valid_lens) = self._preprocess(all_premise_hypothesis_tokens) print('read ' + str(len(self.all_token_ids)) + ' examples') def _preprocess(self, all_premise_hypothesis_tokens): pool = multiprocessing.Pool(4) # Use 4 worker processes out = pool.map(self._mp_worker, all_premise_hypothesis_tokens) all_token_ids = [ token_ids for token_ids, segments, valid_len in out] all_segments = [segments for token_ids, segments, valid_len in out] valid_lens = [valid_len for token_ids, segments, valid_len in out] return (torch.tensor(all_token_ids, dtype=torch.long), torch.tensor(all_segments, dtype=torch.long), torch.tensor(valid_lens)) def _mp_worker(self, premise_hypothesis_tokens): p_tokens, h_tokens = premise_hypothesis_tokens self._truncate_pair_of_tokens(p_tokens, h_tokens) tokens, segments = d2l.get_tokens_and_segments(p_tokens, h_tokens) token_ids = self.vocab[tokens] + [self.vocab['']] \ * (self.max_len - len(tokens)) segments = segments + [0] * (self.max_len - len(segments)) valid_len = len(tokens) return token_ids, segments, valid_len def _truncate_pair_of_tokens(self, p_tokens, h_tokens): # Reserve slots for '', '', and '' tokens for the BERT # input while len(p_tokens) + len(h_tokens) > self.max_len - 3: if len(p_tokens) > len(h_tokens): p_tokens.pop() else: h_tokens.pop() def __getitem__(self, idx): return (self.all_token_ids[idx], self.all_segments[idx], self.valid_lens[idx]), self.labels[idx] def __len__(self): return len(self.all_token_ids) .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python class SNLIBERTDataset(gluon.data.Dataset): def __init__(self, dataset, max_len, vocab=None): all_premise_hypothesis_tokens = [[ p_tokens, h_tokens] for p_tokens, h_tokens in zip( *[d2l.tokenize([s.lower() for s in sentences]) for sentences in dataset[:2]])] self.labels = np.array(dataset[2]) self.vocab = vocab self.max_len = max_len (self.all_token_ids, self.all_segments, self.valid_lens) = self._preprocess(all_premise_hypothesis_tokens) print('read ' + str(len(self.all_token_ids)) + ' examples') def _preprocess(self, all_premise_hypothesis_tokens): pool = multiprocessing.Pool(4) # Use 4 worker processes out = pool.map(self._mp_worker, all_premise_hypothesis_tokens) all_token_ids = [ token_ids for token_ids, segments, valid_len in out] all_segments = [segments for token_ids, segments, valid_len in out] valid_lens = [valid_len for token_ids, segments, valid_len in out] return (np.array(all_token_ids, dtype='int32'), np.array(all_segments, dtype='int32'), np.array(valid_lens)) def _mp_worker(self, premise_hypothesis_tokens): p_tokens, h_tokens = premise_hypothesis_tokens self._truncate_pair_of_tokens(p_tokens, h_tokens) tokens, segments = d2l.get_tokens_and_segments(p_tokens, h_tokens) token_ids = self.vocab[tokens] + [self.vocab['']] \ * (self.max_len - len(tokens)) segments = segments + [0] * (self.max_len - len(segments)) valid_len = len(tokens) return token_ids, segments, valid_len def _truncate_pair_of_tokens(self, p_tokens, h_tokens): # Reserve slots for '', '', and '' tokens for the BERT # input while len(p_tokens) + len(h_tokens) > self.max_len - 3: if len(p_tokens) > len(h_tokens): p_tokens.pop() else: h_tokens.pop() def __getitem__(self, idx): return (self.all_token_ids[idx], self.all_segments[idx], self.valid_lens[idx]), self.labels[idx] def __len__(self): return len(self.all_token_ids) .. raw:: html
.. raw:: html
SNLIデータセットをダウンロードした後、 ``SNLIBERTDataset`` クラスをインスタンス化することで、 訓練例とテスト例を生成する。 これらの例は、自然言語推論の訓練とテストの際にミニバッチで読み込まれる。 .. raw:: html
pytorchmxnet
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python # Reduce `batch_size` if there is an out of memory error. In the original BERT # model, `max_len` = 512 batch_size, max_len, num_workers = 512, 128, d2l.get_dataloader_workers() data_dir = d2l.download_extract('SNLI') train_set = SNLIBERTDataset(d2l.read_snli(data_dir, True), max_len, vocab) test_set = SNLIBERTDataset(d2l.read_snli(data_dir, False), max_len, vocab) train_iter = torch.utils.data.DataLoader(train_set, batch_size, shuffle=True, num_workers=num_workers) test_iter = torch.utils.data.DataLoader(test_set, batch_size, num_workers=num_workers) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output read 549367 examples read 9824 examples .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python # Reduce `batch_size` if there is an out of memory error. In the original BERT # model, `max_len` = 512 batch_size, max_len, num_workers = 512, 128, d2l.get_dataloader_workers() data_dir = d2l.download_extract('SNLI') train_set = SNLIBERTDataset(d2l.read_snli(data_dir, True), max_len, vocab) test_set = SNLIBERTDataset(d2l.read_snli(data_dir, False), max_len, vocab) train_iter = gluon.data.DataLoader(train_set, batch_size, shuffle=True, num_workers=num_workers) test_iter = gluon.data.DataLoader(test_set, batch_size, num_workers=num_workers) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output Downloading ../data/snli_1.0.zip from https://nlp.stanford.edu/projects/snli/snli_1.0.zip... read 549367 examples read 9824 examples .. raw:: html
.. raw:: html
BERTのファインチューニング -------------------------- :numref:`fig_bert-two-seqs` が示すように、 自然言語推論のためにBERTをファインチューニングするには、 2つの全結合層からなる追加のMLPだけで十分です (以下の ``BERTClassifier`` クラスの ``self.hidden`` と ``self.output`` を参照)。 このMLPは、前提と仮説の両方の情報を符号化した特別な “” トークンのBERT表現を 自然言語推論の3つの出力、 すなわち含意、矛盾、中立へと変換する。 .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python class BERTClassifier(nn.Module): def __init__(self, bert): super(BERTClassifier, self).__init__() self.encoder = bert.encoder self.hidden = bert.hidden self.output = nn.LazyLinear(3) def forward(self, inputs): tokens_X, segments_X, valid_lens_x = inputs encoded_X = self.encoder(tokens_X, segments_X, valid_lens_x) return self.output(self.hidden(encoded_X[:, 0, :])) .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python class BERTClassifier(nn.Block): def __init__(self, bert): super(BERTClassifier, self).__init__() self.encoder = bert.encoder self.hidden = bert.hidden self.output = nn.Dense(3) def forward(self, inputs): tokens_X, segments_X, valid_lens_x = inputs encoded_X = self.encoder(tokens_X, segments_X, valid_lens_x) return self.output(self.hidden(encoded_X[:, 0, :])) .. raw:: html
.. raw:: html
以下では、 事前学習済みBERTモデル ``bert`` を ``BERTClassifier`` のインスタンス ``net`` に入力し、 下流アプリケーションに利用する。 一般的なBERTファインチューニングの実装では、 追加MLPの出力層(\ ``net.output``\ )のパラメータだけがゼロから学習される。 事前学習済みBERTエンコーダ(\ ``net.encoder``\ )と追加MLPの隠れ層(\ ``net.hidden``\ )のすべてのパラメータはファインチューニングされる。 .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python net = BERTClassifier(bert) .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python net = BERTClassifier(bert) net.output.initialize(ctx=devices) .. raw:: html
.. raw:: html
:numref:`sec_bert` を思い出してほしい。 ``MaskLM`` クラスと ``NextSentencePred`` クラスの両方には、 それぞれが用いるMLP内にパラメータがある。 これらのパラメータは事前学習済みBERTモデル ``bert`` の一部であり、 したがって ``net`` のパラメータの一部でもある。 しかし、これらのパラメータは事前学習中に マスク言語モデリング損失と次文予測損失を計算するためだけに使われる。 これら2つの損失関数は下流アプリケーションのファインチューニングには無関係なので、 BERTをファインチューニングするときには、\ ``MaskLM`` と ``NextSentencePred`` で用いられるMLPのパラメータは更新されない(staled)。 勾配が古いままのパラメータを許可するために、 ``d2l.train_batch_ch13`` の ``step`` 関数では ``ignore_stale_grad=True`` フラグが設定されている。 この関数を使って、SNLIの訓練セット(\ ``train_iter``\ )とテストセット(\ ``test_iter``\ )を用い、 モデル ``net`` を訓練および評価する。 計算資源が限られているため、訓練精度とテスト精度はさらに改善できる。これについては演習で扱いる。 .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python lr, num_epochs = 1e-4, 5 trainer = torch.optim.Adam(net.parameters(), lr=lr) loss = nn.CrossEntropyLoss(reduction='none') net(next(iter(train_iter))[0]) d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs, devices) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output loss 0.523, train acc 0.789, test acc 0.785 10667.1 examples/sec on [device(type='cuda', index=0), device(type='cuda', index=1)] .. figure:: output_natural-language-inference-bert_3e4616_74_1.svg .. raw:: html
.. raw:: html
.. raw:: latex \diilbookstyleinputcell .. code:: python lr, num_epochs = 1e-4, 5 trainer = gluon.Trainer(net.collect_params(), 'adam', {'learning_rate': lr}) loss = gluon.loss.SoftmaxCrossEntropyLoss() d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs, devices, d2l.split_batch_multi_inputs) .. raw:: latex \diilbookstyleoutputcell .. parsed-literal:: :class: output loss 0.478, train acc 0.810, test acc 0.784 4400.6 examples/sec on [gpu(0), gpu(1)] .. figure:: output_natural-language-inference-bert_3e4616_77_1.svg .. raw:: html
.. raw:: html
まとめ ------ - 事前学習済みBERTモデルは、SNLIデータセット上の自然言語推論のような下流アプリケーションにファインチューニングできる。 - ファインチューニング中、BERTモデルは下流アプリケーションのモデルの一部になる。事前学習の損失にのみ関係するパラメータは、ファインチューニング中には更新されない。 演習 ---- 1. 計算資源が許すなら、元のBERT baseモデルとほぼ同じ大きさの、はるかに大きい事前学習済みBERTモデルをファインチューニングしよ。\ ``load_pretrained_model`` 関数の引数は、\ ``'bert.small'`` を ``'bert.base'`` に置き換え、\ ``num_hiddens=256``\ 、\ ``ffn_num_hiddens=512``\ 、\ ``num_heads=4``\ 、\ ``num_blks=2`` の値をそれぞれ768、3072、12、12に増やしよ。ファインチューニングのエポック数を増やし(必要なら他のハイパーパラメータも調整し)、テスト精度を0.86より高くできるか? 2. 長さの比率に応じて2つの系列をどのように切り詰めるべきだろうか?このペア切り詰め方法と ``SNLIBERTDataset`` クラスで使われている方法を比較しよ。それぞれの長所と短所は何だろうか?