如何在 Bert 序列分类中使用大于零的批量大小

Question

Hugging Face documentation describes如何使用Bert模型进行序列分类：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased')

input_ids = torch.tensor(tokenizer.encode("Hello, my dog is cute", add_special_tokens=True)).unsqueeze(0)  # Batch size 1
labels = torch.tensor([1]).unsqueeze(0)  # Batch size 1
outputs = model(input_ids, labels=labels)

loss, logits = outputs[:2]

但是，只有批量大小 1 的示例。当我们有一个短语列表并想要使用更大的批量大小时，如何实现它？

Answer 1

在该示例中，unsqueeze 用于向输入/标签添加维度，因此它是大小为 (batch_size, sequence_length) 的数组。如果您想使用大于 1 的批量大小，则可以构建一个序列数组，如下例所示：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased')

sequences = ["Hello, my dog is cute", "My dog is cute as well"]
input_ids = torch.tensor([tokenizer.encode(sequence, add_special_tokens=True) for sequence in sequences])
labels = torch.tensor([[1], [0]]) # Labels depend on the task
outputs = model(input_ids, labels=labels)

loss, logits = outputs[:2]

在该示例中，两个序列都以相同数量的标记进行编码，因此很容易构建包含两个序列的张量，但如果它们具有不同数量的元素，则需要填充序列并告诉模型哪些标记它应该注意（以便它忽略填充值）使用注意掩码。

glossary 中有一个关于注意面具的条目，解释了它们的目的和用途。您在调用模型的 forward 方法时将此注意掩码传递给模型。