项目地址
SunYanCN/Bertgithub.com
简单高效的Bert中文文本分类模型开发和部署
准备环境工作
- 操作系统:Linux
- TensorFlow Version:1.13.1,动态图模式
- GPU:我的服务器是Tesla P4 8G GPU,文档后面有显存不足的解决方案
- TensorFlow Serving:simple-tensorflow-serving
- 依赖库:requirements.txt
目录结构说明

- bert是官方源码
- data是数据,来自项目,文本的3分类问题
- train.sh、classifier.py 训练文件
- export.sh、export.py导出TF serving的模型
- client.sh、client.py、file_base_client.py 处理输入数据并向部署的TF serving的模型发出请求,打印输出结果
训练代码
和项目基本一致,特殊的地方我会指出。
- 写一个自己的文本处理器。有两点需要注意:1,改写label 2,把create_examples改成了共有方法,因为我们后面要调用。3,file_base的时候注意跳过第一行,文件数据的第一行是title
```python class MyProcessor(DataProcessor):
def get_test_examples(self, data_dir):
return self.create_examples(
self._read_tsv(os.path.join(data_dir, "test.tsv")), "test")
def get_train_examples(self, data_dir):
"""See base class."""
return self.create_examples(
self._read_tsv(os.path.join(data_dir, "train.tsv")), "train")
def get_dev_examples(self, data_dir):
"""See base class."""
return self.create_examples(
self._read_tsv(os.path.join(data_dir, "dev.tsv")), "dev")
def get_pred_examples(self, data_dir):
return self.create_examples(
self._read_tsv(os.path.join(data_dir, "pred.tsv")), "pred")
def get_labels(self):
"""See base class."""
return ["-1", "0", "1"]
def create_examples(self, lines, set_type, file_base=True):
"""Creates examples for the training and dev sets. each line is label+t+text_a+t+text_b """
examples = []
for (i, line) in tqdm(enumerate(lines)):
if file_base:
if i == 0:
continue
guid = "%s-%s" % (set_type, i)
text = tokenization.convert_to_unicode(line[1])
if set_type == "test" or set_type == "pred":
label = "0"
else:
label = tokenization.convert_to_unicode(line[0])
examples.append(
InputExample(guid=guid, text_a=text, label=label))
return examples```
- 其他的训练代码,照抄官方的就行
- 可以直接运行train.sh,注意修改对应的路径
- 生成的ckpt文件在output路径下
导出模型
主要代码如下,生成的pb文件在api文件夹下
def TensorFlow Serving部署
一键部署:
=正常启动终端界面:

浏览器访问界面:

这部分认真阅读simple-tensorflow-serving的文档
本地请求代码
分为两种,一种是读取文件的,就是要预测的文本是tsv文件的,叫做file_base_client.py,另一个直接输入文本的是client.py。首先更改input_fn_builder,返回dataset,然后从dataset中取数据,转换为list格式,传入模型,返回结果。
正常情况下的运行结果:

问题解答
- 训练的显存不足怎么办
答:按照官方的建议,调小max_seq_length和train_batch_size
TODO LIST
- [ ] 接入Docker
- [ ] 微信端交互代码
本文介绍了简单高效的Bert中文文本分类模型的开发和部署。包括准备Linux环境、说明目录结构、给出训练代码(注意文本处理器改写及跳过首行)、导出模型、TensorFlow Serving部署、本地请求代码,还解答了显存不足问题,列出后续待办事项。

1万+

被折叠的 条评论
为什么被折叠?



