dj-woo.github.io

Bert_fine_tuning

개인 study를 위한 자료입니다.
그러다보니 내용에 잘못된 점이 있습니다.

1 Advantages of Fine-Tuning

pre-trained된 model을 사용한, Fine-Tuning은 아래와 같은 장점이 있습니다.

  1. Time
  2. Less Data
  3. Better Results

실제 구현 예제로, huggingface[1]에서 제공하는 pre-trained model을 바탕으로, fine-tuning을 진행해보려고 합니다. 구현하고자 하는 model은 아래와 그림과 같습니다.[2] SBERT architecture with consine-smiliarity 코드는 주로 [3]을 참조했습니다. fine-tuning을 위한 code는 크게 아래와 같이 나누어져 있습니다.

  1. bertFineTuningWithConnectionData.py : fine-tuning을 진행합니다.
  2. ConnectionBert.py : pre-trained 된 model을 load 합니다.
  3. ConnectionDataset.py : fine-tuning을 위한 Dataset, DataLoader가 정의 되어 있습니다.

2 구현

1 bertFineTuningWithConnectionData

transformers를 사용하여, pre-trained model를 불러오는 명령어는 매우 간단합니다. 하지만, 특별한 사정으로 미리 다운을 받아서 사용해야 할 경우, 아래 방법을 사용하면 됩니다.

huggingsface 접속 -> MODELS(우측상단) -> 원하는 model 검색 -> List all files in model 클릭 -> config.json, pythorch_model.bin, vocab.txt를 원하는 directory에 저장 -> directory load

여기서는 “transformers\bert\bert-base-uncased”에 위 3 파일을 저장해 놓고 사용했습니다.

2 ConnectionBert

pre-trained 된 data를 load하여 사용하는 것은 매우 간단합니다.

model에 대한 자세한 설명은 Docs»Transformers에서 확인 할 수 있습니다. 가장 기본이 되는 BertModel의 경우, embedding layer + bertEncoder + pooled layer로 되어있습니다. 자세한 내부 weight parameter는 print(model)로 확인 할 수 있습니다.

BertModel(
  (embeddings): BertEmbeddings(
    (word_embeddings): Embedding(30522, 768, padding_idx=0)
    (position_embeddings): Embedding(512, 768)
    (token_type_embeddings): Embedding(2, 768)
    (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
    (dropout): Dropout(p=0.1, inplace=False)
  )
  (encoder): BertEncoder(
    (layer): ModuleList(
      (0): BertLayer(
        (attention): BertAttention(
          (self): BertSelfAttention(
            (query): Linear(in_features=768, out_features=768, bias=True)
            (key): Linear(in_features=768, out_features=768, bias=True)
            (value): Linear(in_features=768, out_features=768, bias=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
          (output): BertSelfOutput(
            (dense): Linear(in_features=768, out_features=768, bias=True)
            (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
            (dropout): Dropout(p=0.1, inplace=False)
          )
        )
        (intermediate): BertIntermediate(
          (dense): Linear(in_features=768, out_features=3072, bias=True)
        )
        (output): BertOutput(
          (dense): Linear(in_features=3072, out_features=768, bias=True)
          (LayerNorm): LayerNorm((768,), eps=1e-12, elementwise_affine=True)
          (dropout): Dropout(p=0.1, inplace=False)
        )
      )
      (1~11): BertLayer()
    )
  )
  (pooler): BertPooler(
    (dense): Linear(in_features=768, out_features=768, bias=True)
    (activation): Tanh()
  )
)

3. ConnectionDataset

Dataset은 __len__()과 __getitem__()만 구현해주면, 쉽게 구현할 수 있습니다.

Reference