# Bert 本示例主要通过Bert模型说明如何使用MIGraphX Python API进行自然语言处理模型的推理，包括数据准备、预处理、模型推理以及数据后处理。 ## 模型简介 自然语言处理（Natural Language Processing，NLP ）是能够实现人与计算机之间用自然语言进行有效沟通的理论和方法，是计算机科学领域与人工智能领域中的一个重要方向。本次采用经典的Bert模型完成问题回答任务，模型和分词文件下载链接：https://pan.baidu.com/s/1yc30IzM4ocOpTpfFuUMR0w, 提取码：8f1a, 将bertsquad-10.onnx文件和uncased_L-12_H-768_A-12分词文件保存在Resource/Models/NLP/Bert文件夹下。整体模型结构如下图所示，也可以通过netron工具：https://netron.app/ 查看Bert模型结构。 问题回答任务是指输入一段上下文文本的描述和一个问题，模型从上下文文本中预测出答案。例如： ``` 1.描述：My name is Li Ming 2.问题：What's your name? 3.答案：Li Ming ``` ## 数据准备 本示例采用json文件保存文本数据，如下图所示，包含问题（question）和上下文文本（context），自己可以根据需求准备对应的问题和上下文文本作为输入数据，进行模型推理。 ```json { "data": [ { "paragraphs": [ { "context": "ROCm is the first open-source exascale-class platform for accelerated computing that’s also programming-language independent. It brings a philosophy of choice, minimalism and modular software development to GPU computing. You are free to choose or even develop tools and a language run time for your application. ROCm is built for scale, it supports multi-GPU computing and has a rich system run time with the critical features that large-scale application, compiler and language-run-time development requires. Since the ROCm ecosystem is comprised of open technologies: frameworks (Tensorflow / PyTorch), libraries (MIOpen / Blas / RCCL), programming model (HIP), inter-connect (OCD) and up streamed Linux® Kernel support – the platform is continually optimized for performance and extensibility.", "qas": [ { "question": "What is ROCm?", "id": "1" }, { "question": "Which frameworks does ROCm support?", "id": "2" }, { "question": "What is ROCm built for?", "id": "3" } ] } ], "title": "AMD ROCm" } ] } ``` ## 预处理 将文本数据输入到模型之前，需要对数据做如下预处理： 1.读取json文件，并整合文本数据存储到列表中 2.数据重构，将问题和上下文文本拼接成一个序列，作为输入数据 ### 读取json文件 读取json文件中的相应内容，首先处理上下文文本（context）内容，采用for循环将上下文文本（字符串）变为一个个词向量，存储在doc_tokens列表中。其次，获取问题文本（question）内容和对应的id。最后，将上下文文本和原始问题文本等保存在SquadEexample列表中，用于后续的数据重构。 ```python # 将SQuAD json文件内容读入到SquadEexample列表中 def read_squad_examples(input_file): with open(input_file, "r") as f: input_data = json.load(f)["data"] examples = [] for idx, entry in enumerate(input_data): for paragraph in entry["paragraphs"]: # 获取上下文文本内容，并存储在doc_tokens列表中 paragraph_text = paragraph["context"] doc_tokens = [] prev_is_whitespace = True # 将上下文文本内容（字符串），变为一个个词向量存储在doc_tokens列表中 for c in paragraph_text: if is_whitespace(c): # 当c为空格时，返回为True，否则为False prev_is_whitespace = True else: if prev_is_whitespace: # 将当前字符添加到列表末尾 doc_tokens.append(c) else: doc_tokens[-1] += c # 将当前字符与doc_tokens列表中的最后一个字符相加，存储在该位置中 prev_is_whitespace = False # 获取问题文本和对应的id for qa in paragraph["qas"]: qas_id = qa["id"] question_text = qa["question"] start_position = None end_position = None orig_answer_text = None # 将上下文文本和原始问题文本等保存在SquadExample列表中 example = SquadExample(qas_id=qas_id, question_text=question_text, doc_tokens=doc_tokens, orig_answer_text=orig_answer_text, start_position=start_position, end_position=end_position) examples.append(example) return examples ``` ### 数据重构 读取json文件中的文本之后，就需要对数据进行重构，将问题和上下文文本拼接成一个序列，输入到模型中执行推理。数据重构主要包含两个步骤： 1.滑动窗口操作，如下图所示，当问题加上下文文本超过256个字符时，采取滑动窗口的方法构建输入序列。 从图中可以看出，问题部分不参与滑动处理，只将上下文文本进行滑动窗口操作，裁切得到多个子文本，用于后续的数据拼接。 具体实现如下，首先通过while循环判断子文本的起始位置是否位于上下文文本中，其次，在循环体中使用start_offset变量确定子文本的起始位置，length变量确定子文本的长度，都存储在doc_spans列表中。因此，通过存储的起始位置和对应的长度，就可以获得对应的子文本。 ```Python def convert_examples_to_features(examples, tokenizer, max_seq_length,doc_stride, max_query_length): ... # 当上下文文本的长度大于规定的最大长度，采用滑动窗口的方法。 doc_spans = [] start_offset = 0 while start_offset < len(all_doc_tokens): length = len(all_doc_tokens) - start_offset # 确定在当前窗口下，确定剩余上下文文本的长度 if length > max_tokens_for_doc: length = max_tokens_for_doc doc_spans.append(_DocSpan(start=start_offset, length=length)) # 存储开始索引和文本长度 if start_offset + length == len(all_doc_tokens): # 如果相等，则停止滑动窗口操作，结束循环 break start_offset += min(length, doc_stride) # 确定开始索引位置，进行下一次滑动窗口 ... ``` 2.数据拼接，将获得的问题和上下文文本（子文本）拼接成一个序列，原理如下图所示： 从图中可以看出，构建的方法是将问题和上下文文本拼接成一个序列，开头用[CLS]表示后面对应的问题，中间和最后用[SEP]符号隔开。其中，“[CLS]”是一个分类标志，表示后面的内容属于问题文本，“[SEP]”字符是一个分割标志，用来将问题和上下文文本分开。 ```Python def convert_examples_to_features(examples, tokenizer, max_seq_length,doc_stride, max_query_length): ... # 拼接问题和上下文文本 for (doc_span_index, doc_span) in enumerate(doc_spans): ... tokens.append("[CLS]") # 对tokens列表，开头添加[CLS]标志符 segment_ids.append(0) for token in query_tokens.tokens: tokens.append(token) # 对tokens列表，添加问题文本的分词 segment_ids.append(0) tokens.append("[SEP]") # 对tokens列表，添加[SEP]标志符 segment_ids.append(0) for i in range(doc_span.length): split_token_index = doc_span.start + i token_to_orig_map[len(tokens)] = tok_to_orig_index[split_token_index] tokens.append(all_doc_tokens[split_token_index]) # 对tokens列表，添加上下文文本的分词 segment_ids.append(1) tokens.append("[SEP]") # 在上下文文本的后端添加标志符[SEP] segment_ids.append(1) for token in tokens: input_ids.append(tokenizer.token_to_id(token)) # 将拼接好的文本数据转换为数值型数据 ... ``` ## 推理 完成数据预处理后，就可以执行推理，得到推理结果。 ```python for idx in range(0, n): item = eval_examples[idx] print(item) # 推理 result = model.run({ "unique_ids_raw_output___9:0": np.array([item.qas_id], dtype=np.int64), # position id "input_ids:0": input_ids[idx:idx + bs], # Token id，对应的文本数据转换为数值型数据 "input_mask:0": input_mask[idx:idx + bs], # mask id，对应的掩码信息 "segment_ids:0": segment_ids[idx:idx + bs] # segment id，对上下文文本和问题赋予不同的位置信息 }) in_batch = result[1].get_shape().lens()[0] start_logits = [float(x) for x in result[1].tolist()] # 答案开始位置的概率值 end_logits = [float(x) for x in result[0].tolist()] # 答案结束位置的概率值 for i in range(0, in_batch): unique_id = len(all_results) all_results.append(RawResult(unique_id=unique_id, start_logits=start_logits, end_logits=end_logits)) ``` 1.通过数据预处理操作后，获得了输入数据，分别为position id、Token id（文本信息）、segment id（区分问题和上下文文本）以及mask id（掩码信息，用于区分真实关注的位置），输入到model.run({...})中执行推理，得到模型的推理结果。推理结果主要包含了对答案开始位置和结束位置的预测概率值，都保存在all_results[]数组中，用于后续的数据后处理。 ## 数据后处理 获得推理结果后，并不能直接作为问题回答任务的结果显示，如下图所示，还需要进一步数据处理，得到最终的预测结果。 从图中可以看出，数据后处理主要包含如下操作： 1.获取预测输出，根据模型推理结果，取前K个概率值最大的开始位置和结束位置。 2.筛选与过滤，根据过滤规则筛选开始位置和结束位置。 3.排序并输出结果，对开始位置加结束位置的概率值和进行排序，取概率值最大的组合作为最终的预测结果。 过滤规则： 1.开始位置和结束位置不能大于输入序列的长度。 2.开始位置和结束位置必须位于上下文文本中。 3.开始位置必须位于结束位置前。 本示例数据后处理代码，详见Python/NLP/Bert/run_onnx_squad.py脚本中的write_predictions()函数。