快速上手
这里将提供一个快速上手bert4keras的基本教程。
基本例子
让我们来重温首页上的简单例子，它包含了调用BERT base来编码句子的完整流程：
from bert4keras.models import build_transformer_model
from bert4keras.tokenizers import Tokenizer
import numpy as np
config_path = '/root/kg/bert/chinese_L-12_H-768_A-12/bert_config.json'
checkpoint_path = '/root/kg/bert/chinese_L-12_H-768_A-12/bert_model.ckpt'
dict_path = '/root/kg/bert/chinese_L-12_H-768_A-12/vocab.txt'
tokenizer = Tokenizer(dict_path, do_lower_case=True) # 建立分词器
model = build_transformer_model(config_path, checkpoint_path) # 建立模型，加载权重
# 编码测试
token_ids, segment_ids = tokenizer.encode(u'语言模型')
print('
===== predicting =====
')
print(model.predict([np.array([token_ids]), np.array([segment_ids])]))
这个例子虽然简短，但事实上已经包含了在Keras中使用BERT模型的完整流程，事实上，对于已经比较熟悉Keras的用户来说，仅凭这个例子就可以自行搭建基于BERT的模型了，因为当model = build_transformer_model(config_path, checkpoint_path)这一步成功执行后，一个基于Keras的BERT模型就已经搭建完毕，剩下的都是Keras的使用了。
从例子可以看到，其实代码分为两部分：第一部分是tokenizer的建立，bert4keras.tokenizers里边包含了对原版BERT的tokenizer的完整复现，同时还补充了一下常用的功能；第二部分就是BERT模型的建立，其主要函数是build_transformer_model，其定义如下：
def build_transformer_model(
config_path=None, # 模型的配置文件（对应的文件为json格式）
checkpoint_path=None, # 模型的预训练权重（tensorflow的ckpt格式）
model='bert', # 模型的类型（bert、albert、albert_unshared、nezha、electra、gpt2_ml、t5）
application='encoder', # 模型的用途（encoder、lm、unilm）
return_keras_model=True, # 返回Keras模型，还是返回bert4keras的模型类
**kwargs # 其他传递参数
):
build_transformer_model各参数的含义很难用几句话表达清楚，不过在这个10分钟教程里，这些细节并不是特别重要，所以暂时略去。学习一个框架最好的方法还是多看例子，所以还是恳请用户多参考github上提供的examples。
支持模型
bert4keras支持搭建和加载权重的预训练模型还是比较多的，在同类程序中应该仅次于huggingface的transformers。目前支持的预训练模型包括：
- Google原版bert: https://github.com/google-research/bert
- brightmart版roberta: https://github.com/brightmart/roberta_zh
- 哈工大版roberta: https://github.com/ymcui/Chinese-BERT-wwm
- Google原版albert[例子]: https://github.com/google-research/ALBERT
- brightmart版albert: https://github.com/brightmart/albert_zh
- 转换后的albert: https://github.com/bojone/albert_zh
- 华为的NEZHA: https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/NEZHA
- 自研语言模型: https://github.com/ZhuiyiTechnology/pretrained-models
- T5模型: https://github.com/google-research/text-to-text-transfer-transformer
- GPT2_ML: https://github.com/imcaspar/gpt2-ml
- Google原版ELECTRA: https://github.com/google-research/electra
- 哈工大版ELECTRA: https://github.com/ymcui/Chinese-ELECTRA
- CLUE版ELECTRA: https://github.com/CLUEbenchmark/ELECTRA
注意事项