我首先在文本分类任务上微调 Bert 模型,然后我想在 TensorFlow 中获得微调模型的嵌入。不幸的是,我只能说output_hidden_states=True
,在第一行中,我下载了预训练的 Bert 模型,但不在第二阶段中,我创建了 tf.Keras.Model
。以下是我如何制作和训练模型的代码:
max_len = 55
from transformers import BertConfig, BertTokenizer, TFBertModel
def build_custome_model():
bert_encoder = TFBertModel.from_pretrained(Base_BERT_Path)
input_word_ids = tf.keras.Input(shape=(max_len,), dtype=tf.int32, name="input_word_ids")
input_mask = tf.keras.Input(shape=(max_len,), dtype=tf.int32, name="input_mask")
input_type_ids = tf.keras.Input(shape=(max_len,), dtype=tf.int32, name="input_type_ids")
embedding = bert_encoder([input_word_ids, input_mask, input_type_ids])[0]
clf_output = embedding[:,0,:]
net = tf.keras.layers.Dropout(0.4)(clf_output)
output = tf.keras.layers.Dense(5, activation='softmax')(net)
model = tf.keras.Model(inputs=[input_word_ids, input_mask, input_type_ids], outputs=output)
model.compile(tf.keras.optimizers.Adam(lr=1e-5), loss='sparse_categorical_crossentropy', metrics=['accuracy'])
return model
然后我在包含 2 个句子的数据集上训练模型,并为其相似性评分
#------Training with stratifiedkfold-------
k = 5
kfold = StratifiedKFold(n_splits = k, shuffle = True)
for i, (train_idx, val_idx) in enumerate(kfold.split(first_sentences, labels.score), 1):
epoch_evaluation = {}
train_input = create_input(np.array(first_sentences)[train_idx], np.array(second_sentences)[train_idx], tokenizer, max_len=max_seq_length)
validation_input = create_input(np.array(first_sentences)[val_idx], np.array(second_sentences)[val_idx], tokenizer, max_len=max_seq_length)
history = model.fit(x = train_input, y = labels.loc[train_idx, 'score'],
validation_data= (validation_input, labels.loc[val_idx, 'score']),
epochs = 5,
verbose = 1,
batch_size = 8)
我的目标是在最后建立一个模型,该模型在此数据集上进行训练,并且每当我给它一个句子时就可以输出嵌入(隐藏状态的第一层(输出[2][0])),以便我可以获得句子中所有经过微调的标记嵌入的平均值。
最佳答案
您可以使用 get_input_embeddings 检索嵌入功能:
model = build_custome_model():
model.layers[3].get_input_embeddings()(input_ids)
关于python - 如何获取微调后的 TFBertModel 的隐藏状态?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/66219090/