torchKbert

• Our customized version of bert for pytorch

说明

这是笔者基于 Meelfy 的 pytorch_pretrained_BERT 库进行部分定制化修改的模型库。

本项目的初衷是为了满足个人实验的方便，因此不会经常更新。

功能

• 原始的模型库 pytorch_pretrained_BERT 中的功能仍然支持；
• 支持层次分解位置编码。
• 支持基于词颗粒度的woBERT。 Pytorch 权重（这里提供的是WoBERT Plus模型）：
  • chinese_wobert_plus.zip（提取码: fg6j)

使用

• 安装：

  pip install torchKbert
  

• 典型的使用例子请参考官方 examples 目录。

• 若想使用层次分解位置编码，使 BERT 可以处理长文本，在 model 中传入参数 is_hierarchical=True 即可。示例如下：

  model = BertModel(config)
  encoder_outputs, _ = model(input_ids, token_ids, input_mask, is_hierarchical=True)
  

• 若想使用基于词颗粒度的中文WoBERT，只需在构建BertTokenizer对象时传入新参数：

  from torchKbert.tokenization import BertTokenizer
  
  tokenizer = BertTokenizer(
      vocab_file=vocab_path, 
      pre_tokenizer=lambda s: jieba.cut(s, HMM=False))
  

  不传入时，默认为None。分词时默认以词为单位，若想恢复使用以字为单位，只需在tokenize时传入新参数pre_tokenize=False：

  tokenzier.tokenize(text, pre_tokenize=False)
  

背景

之前一直在用 Meelfy 编写的 pytorch_pretrained_BERT，调用预训练模型或进行微调已经十分方便。后来因个人的需求，所以就想改写一个支持层次分解位置编码的版本。

苏神的 bert4keras 已经实现了这样的功能。但因个人惯于使用 pytorch，已经很久不用 keras 了，所以才打算自己改写一个。

更新

• 2021.03.07 : 添加层次分解位置编码。
• 2021.05.27 : 添加基于词颗粒度的中文WoBERT。
• 2022.03.27 : 参照 pytorch_transformers 对 BertPretrainedModel 代码实现进行了重构。

参考

• 感谢 Meelfy 实现的 pytorch_pretrained_BERT，本实现完全基于 pytorch_pretrained_BERT 的源码。
• 感谢苏神的 insight 和无私分享：层次分解位置编码，让BERT可以处理超长文本。
• WoBERT: Word-based Chinese BERT model - ZhuiyiAI。