Pytorch-Bert预训练模型的使用（调用transformers）
1. transformer资料
transformers（以前称为pytorch-transformers和pytorch-pretrained-bert）
该系列基于BERT的语言技术涵盖自然语言理解与生成两大领域，并包含包括BERT、GPT-2等在内的超过32种不同版本，并支持100多种语言的学习与应用。
首先下载transformers包，pip install transformers
其次**手动下载模型** （通过导入from transformers import BertModel的方式，在 domestic 并不可用）
下载bert-base-chinese的config.json、vocab.txt和pytorch_model.bin这三个文件后，请将这些文件放置在bert-base-chinese文件夹内，并将该文件夹放置在F:/Transformer-Bert/目录下。
提前导包：
import numpy as np
import torch
from transformers import BertTokenizer, BertConfig, BertForMaskedLM, BertForNextSentencePrediction
from transformers import BertModel
model_name = 'bert-base-chinese'
MODEL_PATH = 'F:/Transformer-Bert/bert-base-chinese/'
# a. 通过词典导入分词器
tokenizer = BertTokenizer.from_pretrained(model_name)
# b. 导入配置文件
model_config = BertConfig.from_pretrained(model_name)
# 修改配置
model_config.output_hidden_states = True
model_config.output_attentions = True
# 通过配置和路径导入模型
bert_model = BertModel.from_pretrained(MODEL_PATH, config = model_config)利用分词器进行编码：
encode仅返回input_ids
encode_plus返回所有编码信息
input_ids：是单词在词典中的编码
token_type_ids：区分两个句子的编码（上句全为0，下句全为1）
attention_mask：指定 对哪些词 进行self-Attention操作
print(tokenizer.encode('吾儿莫慌')) # [101, 1434, 1036, 5811, 2707, 102]
sen_code = tokenizer.encode_plus('这个故事没有终点', "正如星空没有彼岸")
# print(sen_code)
# [101, 1434, 1036, 5811, 2707, 102]
# {'input_ids': [101, 6821, 702, 3125, 752, 3766, 3300, 5303, 4157, 102, 3633, 1963, 3215, 4958, 3766, 3300, 2516, 2279, 102],
# 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1],
# 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}将input_ids转化回token：
print(tokenizer.convert_ids_to_tokens(sen_code['input_ids']))
# ['[CLS]', '这', '个', '故', '事', '没', '有', '终', '点', '[SEP]', '正', '如', '星', '空', '没', '有', '彼', '岸', '[SEP]']将分词输入模型，得到编码：
# 对编码进行转换，以便输入Tensor
tokens_tensor = torch.tensor([sen_code['input_ids']]) # 添加batch维度并,转换为tensor,torch.Size([1, 19])
segments_tensors = torch.tensor(sen_code['token_type_ids']) # torch.Size([19])
bert_model.eval()
# 进行编码
with torch.no_grad():
outputs = bert_model(tokens_tensor, token_type_ids = segments_tensors)
encoded_layers = outputs # outputs类型为tuple
print(encoded_layers[0].shape, encoded_layers[1].shape,
encoded_layers[2][0].shape, encoded_layers[3][0].shape)
# torch.Size([1, 19, 768]) torch.Size([1, 768])
# torch.Size([1, 19, 768]) torch.Size([1, 12, 19, 19])模型输出的结果涉及的维度包括序列输出、池化输出以及（隐藏状态）和（注意力状态）。
以输入序列为19为例：
sequence_output ：torch.Size([1, 19, 768])
* 输出序列pooled_output ：torch.Size([1, 768])
* 对输出序列进行pool操作的结果(hidden_states) ：tuple, 13 * torch.Size([1, 19, 768])
隐藏层状态（即嵌入层），由 model_config 中的 output_hidden_states 决定
(attentions) ：tuple, 12 * torch.Size([1, 12, 19, 19])
* 注意力层，取决于 `model_config` 中的 `output_attentions`2. 遮蔽语言模型 Masked Language Model
BERT以训练遮蔽语言模型（Masked Language Model）作为预训练目标。
详细来说就是将输入句子中的某些字词随机替换成[MASK]标记，并在此基础上训练模型时会结合被替换的每个词的前后文信息进行预测。
值得注意的是，在对比于仅依赖左侧语句预测下一个词的单一方向语言模型而言，在遮蔽语言模型中其生成能力体现在能够综合左右语境的语言表示更为丰富。
这种做法能够使 BERT 学到字词更完整的语义表示。
model_name = 'bert-base-chinese' # 指定需下载的预训练模型参数
# 任务一：遮蔽语言模型
# BERT 在预训练中引入 [CLS] 和 [SEP] 标记句子的 开头和结尾
samples = ['[CLS] 中国的首都是哪里？ [SEP] 北京是 [MASK] 国的首都。 [SEP]'] # 准备输入模型的语句
tokenizer = BertTokenizer.from_pretrained(model_name)
tokenizer_text = [tokenizer.tokenize(i) for i in samples] # 将句子分割成一个个token，即一个个汉字和分隔符
# [['[CLS]', '中', '国', '的', '首', '都', '是', '哪', '里', '？', '[SEP]', '北', '京', '是', '[MASK]', '国', '的', '首', '都', '。', '[SEP]']]
# print(tokenizer_text)
input_ids = [tokenizer.convert_tokens_to_ids(i) for i in tokenizer_text]
input_ids = torch.LongTensor(input_ids)
# print(input_ids)
# tensor([[ 101, 704, 1744, 4638, 7674, 6963, 3221, 1525, 7027, 8043, 102, 1266,
# 776, 3221, 103, 1744, 4638, 7674, 6963, 511, 102]])
# 读取预训练模型
model = BertForMaskedLM.from_pretrained(model_name, cache_dir = 'F:/Transformer-Bert/')
model.eval()
outputs = model(input_ids)
prediction_scores = outputs[0] # prediction_scores.shape=torch.Size([1, 21, 21128])
sample = prediction_scores[0].detach().numpy() # (21, 21128)
# 21为序列长度，pred代表每个位置最大概率的字符索引
pred = np.argmax(sample, axis=1) # (21,)
# ['，', '中', '国', '的', '首', '都', '是', '哪', '里', '？', '。', '北', '京', '是', '中', '国', '的', '首', '都', '。', '。']
print(tokenizer.convert_ids_to_tokens(pred))
print(tokenizer.convert_ids_to_tokens(pred)[14]) # 被标记的[MASK]是第14个位置, 中3. 句子预测任务
预训练 BERT 时除了 MLM 预训练策略，还要进行预测下一个句子的任务。
句子预测任务依赖于对两个句子之间关系的理解，并且这种关系难以直接被Masked Language Model捕捉。
# sen_code1 = tokenizer.encode_plus('今天天气怎么样？', '今天天气很好！')
# sen_code2 = tokenizer.encode_plus('明明是我先来的！', '我喜欢吃西瓜！')
# tokens_tensor = torch.tensor([sen_code1['input_ids'], sen_code2['input_ids']])
# print(tokens_tensor)
# tensor([[ 101, 791, 1921, 1921, 3698, 2582, 720, 3416, 102, 791, 1921, 1921,
# 3698, 2523, 1962, 102],
# [ 101, 3209, 3209, 3221, 2769, 1044, 3341, 4638, 102, 7471, 3449, 679,
# 1963, 1921, 7360, 102]])
# 上面可以换成
samples = ["[CLS]天气真的好啊！[SEP]一起出去玩吧！[SEP]", "[CLS]小明今年几岁了[SEP]我不喜欢学习！[SEP]"]
tokenizer = BertTokenizer.from_pretrained(model_name)
tokenized_text = [tokenizer.tokenize(i) for i in samples]
input_ids = [tokenizer.convert_tokens_to_ids(i) for i in tokenized_text]
tokens_tensor = torch.LongTensor(input_ids)
# 读取预训练模型
model = BertForNextSentencePrediction.from_pretrained(model_name, cache_dir='F:/Transformer-Bert/')
model.eval()
outputs = model(tokens_tensor)
# sequence_output：输出序列
seq_relationship_scores = outputs[0] # seq_relationship_scores.shape: torch.Size([2, 2])
sample = seq_relationship_scores.detach().numpy() # sample.shape: [2, 2]
pred = np.argmax(sample, axis=1)
print(pred) # [0 0]