ValueError：无法重塑张量（BERT - 迁移学习）

Question

我正在使用 HuggingFace 的转换器库、Keras 和 BERT 构建多类文本分类模型。

为了将我的输入转换为所需的 bert 格式，我使用了 BertTokenizer 类 found here 中的 encode_plus 方法

数据是每个特征的一段句子，并且有一个标签（总共 45 个标签）

转换输入的代码是：

def create_input_array(df, tokenizer):
sentences = df.text.values
labels = df.label.values

input_ids = []
attention_masks = []
token_type_ids = []

# For every sentence...
for sent in sentences:
    # `encode_plus` will:
    #   (1) Tokenize the sentence.
    #   (2) Prepend the `[CLS]` token to the start.
    #   (3) Append the `[SEP]` token to the end.
    #   (4) Map tokens to their IDs.
    #   (5) Pad or truncate the sentence to `max_length`
    #   (6) Create attention masks for [PAD] tokens.

    encoded_dict = tokenizer.encode_plus(
        sent,  # Sentence to encode.
        add_special_tokens=True,  # Add '[CLS]' and '[SEP]'
        max_length=128,  # Pad & truncate all sentences.
        pad_to_max_length=True,
        return_attention_mask=True,  # Construct attn. masks.
        return_tensors='tf',  # Return tf tensors.
    )

    # Add the encoded sentence to the list.
    input_ids.append(encoded_dict['input_ids'])

    # And its attention mask (simply differentiates padding from non-padding).
    attention_masks.append(encoded_dict['attention_mask'])

    token_type_ids.append(encoded_dict['token_type_ids'])

return [np.asarray(input_ids, dtype=np.int32),
        np.asarray(attention_masks, dtype=np.int32),
        np.asarray(token_type_ids, dtype=np.int32)]

仍然重现错误的最基本形式的模型：

model = TFBertForSequenceClassification.from_pretrained(
"bert-base-uncased",
num_labels = labellen,
output_attentions = False, 
output_hidden_states = False
)

编译和适配：

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3, epsilon=1e-08, clipnorm=1.0)
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metric = tf.keras.metrics.SparseCategoricalAccuracy('accuracy')
model.compile(optimizer=optimizer, loss=loss, metrics=[metric])
model.fit(x_train, y[:100], epochs=1, batch_size=3)

运行时的错误：

ValueError: 无法重塑具有 768 个元素的张量以进行整形 [1,1,128,1] (128 个元素) for '{{node tf_bert_for_sequence_classification_3/bert/embeddings/LayerNorm/Reshape}} = 重塑[T=DT_FLOAT, Tshape=DT_INT32](tf_bert_for_sequence_classification_3/bert/embeddings/LayerNorm/Reshape/ReadVariableOp, tf_bert_for_sequence_classification_3/bert/embeddings/LayerNorm/Reshape/shape)' 输入形状：[768]，[4]，输入张量计算为 部分形状：输入1 = [1,1,128,1]。

我知道 BERT 将每个标记转换为 768 值数组，但这是我对该特定数字的唯一了解，所以我不知道如何继续。

如果有人对 HuggingFace 库有经验，我也会感谢您对 TFBertForSequenceClassification 是否适合段落分类的想法。

非常感谢。

Answer 1

如果其他人需要帮助，这是一个相当复杂的修复，但这是我所做的：

从使用 numpy 数组更改为 tf 数据集

我认为这不是完全必要的，所以如果您仍然使用 numpy 数组，那么请忽略这一段并相应地更改下面的 reshape 函数（从 tf.reshape 到 np reshape 方法）

发件人：

return [np.asarray(input_ids, dtype=np.int32),
         np.asarray(attention_masks, dtype=np.int32),
         np.asarray(token_type_ids, dtype=np.int32)]

收件人：

input_ids = tf.convert_to_tensor(input_ids)
attention_masks = tf.convert_to_tensor(attention_masks)

 return input_ids, attention_masks

（因此列表正在转换为张量）

调用转换输入函数（注意省略token_type_ids）

根据文档，注意掩码和令牌类型 ID 对于 BERT 是可选的。在这个例子中，我只使用了 input_ids 和 attention_masks

 train_ids, train_masks = create_input_array(df[:], tokenizer=tokenizer)

重塑输入

train_ids = tf.reshape(train_ids, (-1, 128, 1) )
train_masks = tf.reshape(train_masks, (-1, 128, 1) )

将标签转换为张量

labels = tf.convert_to_tensor(y[:])
n_classes = np.unique(y).max() + 1

将所有张量导入 tf 数据集

dataset = tf.data.Dataset.from_tensors(( (train_ids, train_masks), labels ))

加载 BERT 模型并添加层

之前我只有单线模型 = TFBert... 现在我为每个 input_ids 和掩码创建一个输入层，只返回 bert 层的第一个输出，展平，然后添加一个密集层。

model = TFBertForSequenceClassification.from_pretrained('bert-base-uncased', trainable=False)

# Input layers
input_layer = Input(shape=(128, ), dtype=np.int32)
input_mask_layer = Input(shape=(128, ), dtype=np.int32)

# Bert layer, return first output
bert_layer = model([input_layer, input_mask_layer])[0]

# Flatten layer
flat_layer = Flatten() (bert_layer)

# Dense layer
dense_output = Dense(n_classes, activation='softmax') (flat_layer)

model_ = Model(inputs=[input_layer, input_mask_layer], outputs=dense_output)

编译模型

optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3, epsilon=1e-08, clipnorm=1.0)
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
metric = tf.keras.metrics.SparseCategoricalAccuracy('accuracy')
model_.compile(optimizer=optimizer, loss=loss, metrics=[metric])

这里将整个数据集作为第一个参数传递，其中还包含标签。

model_.fit(dataset, epochs=4, batch_size=4, verbose=1)

希望这会有所帮助。