python - 如何访问pytorch分类模型的预测？ (伯特)

Question

我正在运行这个文件: https://github.com/huggingface/pytorch-pretrained-BERT/blob/master/examples/run_classifier.py

这是一个输入批处理的预测代码:

  input_ids = input_ids.to(device)
  input_mask = input_mask.to(device)
  segment_ids = segment_ids.to(device)
  label_ids = label_ids.to(device)

  with torch.no_grad():
       logits = model(input_ids, segment_ids, input_mask, labels=None)

       loss_fct = CrossEntropyLoss()
       tmp_eval_loss = loss_fct(logits.view(-1, num_labels), label_ids.view(-1))

       eval_loss += tmp_eval_loss.mean().item()
       nb_eval_steps += 1
       if len(preds) == 0:
           preds.append(logits.detach().cpu().numpy())
       else:
           preds[0] = np.append(preds[0], logits.detach().cpu().numpy(), axis=0)

该任务是二元分类。 我想访问二进制输出。

我已经尝试过这个:

  curr_pred = logits.detach().cpu()

  if len(preds) == 0:
      preds.append(curr_pred.numpy())
  else:
      preds[0] = np.append(preds[0], curr_pred.numpy(), axis=0)

  probablities = curr_pred.softmax(1).numpy()[:, 1]

但是结果看起来很奇怪。所以我不确定这是否是正确的方法。

我的假设 - 我收到最后一层的输出，因此在 softmax 之后，它是真实概率(dim 2 的向量 - 第一类的概率和第二类的概率。)

Answer 1

查看 run_classifier.py 代码的这一部分后:

    # copied from the run_classifier.py code 
    eval_loss = eval_loss / nb_eval_steps
    preds = preds[0]
    if output_mode == "classification":
        preds = np.argmax(preds, axis=1)
    elif output_mode == "regression":
        preds = np.squeeze(preds)
    result = compute_metrics(task_name, preds, all_label_ids.numpy())

你只是缺少:

    preds = preds[0]
    preds = np.argmax(preds, axis=1)

然后他们只使用 preds 来计算准确性:

    def simple_accuracy(preds, labels):
         return (preds == labels).mean()