Pretrain_Bert_with_MaskLM

Info

使用Mask LM预训练任务来预训练Bert模型。

基于pytorch框架，训练关于垂直领域语料的预训练语言模型，目的是提升下游任务的表现。

Pretraining Task

Mask Language Model，简称Mask LM，即基于Mask机制的预训练语言模型。

同时支持 原生的MaskLM任务和Whole Words Masking任务。默认使用Whole Words Masking。

MaskLM

使用来自于Bert的mask机制，即对于每一个句子中的词（token）：

• 85%的概率，保留原词不变
• 15%的概率，使用以下方式替换
  • 80%的概率，使用字符[MASK]，替换当前token。
  • 10%的概率，使用词表随机抽取的token，替换当前token。
  • 10%的概率，保留原词不变。
  • 

Whole Words Masking

与MaskLM类似，但是在mask的步骤有些少不同。

在Bert类模型中，考虑到如果单独使用整个词作为词表的话，那词表就太大了。不利于模型对同类词的不同变种的特征学习，故采用了WordPiece的方式进行分词。

Whole Words Masking的方法在于，在进行mask操作时，对象变为分词前的整个词，而非子词。

Model

使用原生的Bert模型作为基准模型。

Datasets

项目里的数据集来自wikitext，分成两个文件训练集（train.txt）和测试集（test.txt）。

数据以行为单位存储。

若想要替换成自己的数据集，可以使用自己的数据集进行替换。（注意：如果是预训练中文模型，需要修改配置文件Config.py中的self.initial_pretrain_model和self.initial_pretrain_tokenizer，将值修改成 bert-base-chinese）

自己的数据集不需要做mask机制处理，代码会处理。

Training Target

本项目目的在于基于现有的预训练模型参数，如google开源的bert-base-uncased、bert-base-chinese等，在垂直领域的数据语料上，再次进行预训练任务，由此提升bert的模型表征能力，换句话说，也就是提升下游任务的表现。

Environment

项目主要使用了Huggingface的datasets、transformers模块，支持CPU、单卡单机、单机多卡三种模式。

python的版本为: 3.8

可通过以下命令安装依赖包

    pip install -r requirement.txt

主要包含的模块如下：

    numpy==1.24.1
    pandas==1.5.2
    scikit_learn==1.2.1
    torch==1.8.0
    tqdm==4.64.1
    transformers==4.26.1

Get Start

单卡模式

(1) 训练

直接运行

    python main.py

(2) 测试

修改Config.py文件中的self.mode='test'，再运行

    python main.py

多卡模式（训练）

如果你足够幸运，拥有了多张GPU卡，那么恭喜你，你可以进入起飞模式。🚀🚀

（1）使用torch的nn.parallel.DistributedDataParallel模块进行多卡训练。其中config.py文件中参数如下，默认可以不用修改。

• self.cuda_visible_devices表示程序可见的GPU卡号，示例：1,2→可在GPU卡号为1和2上跑，亦可以改多张，如0,1,2,3。
• self.device在单卡模式，表示程序运行的卡号；在多卡模式下，表示master的主卡，默认会变成你指定卡号的第一张卡。若只有cpu，那么可修改为cpu。
• self.port表示多卡模式下，进程通信占用的端口号。（无需修改）
• self.init_method表示多卡模式下进程的通讯地址。（无需修改）
• self.world_size表示启动的进程数量（无需修改）。在torch==1.3.0版本下，只需指定一个进程。在1.9.0以上，需要与GPU数量相同。

（2）运行程序启动命令

    chmod 755 run.sh
    ./run.sh

Experiment

training

使用交叉熵（cross-entropy）作为损失函数，困惑度（perplexity）和Loss作为评价指标来进行训练，训练过程如下：

test

结果保存在dataset/output/pred_data.csv，分别包含三列：

• src表示原始输入
• pred表示模型预测
• mask表示模型输入（带有mask和pad等token）

示例

src:  [CLS] art education and first professional work [SEP]
pred: [CLS] art education and first class work [SEP]
mask: [CLS] art education and first [MASK] work [SEP] [PAD] [PAD] [PAD] ...

Reference

【Bert】https://arxiv.org/pdf/1810.04805.pdf

【transformers】https://github.com/huggingface/transformers

【datasets】https://huggingface.co/docs/datasets/quicktour.html