colab上基于tensorflow2.0的BERT中文多分类

bert模型在tensorflow1.x版本时，也是先发布的命令行版本，随后又发布了bert-tensorflow包，本质上就是把相关bert实现封装起来了。

tensorflow2.0刚刚在2019年10月左右发布，谷歌也在积极地将之前基于tf1.0的bert实现迁移到2.0上，但近期看还没有完全迁移完成，所以目前还没有基于tf2.0的bert安装包面世，因为近期想基于现有发布的模型做一个中文多分类的事情，所以干脆就弄了个基于命令行版本的。过程中有一些坑，随之记录下来。

1. colab：因为想用谷歌免费的GPU（暂时没研究TPU怎么用），所以直接在colab上弄。

2. 中文多分类：

2.1. 训练数据来源：在百度百科上找了大概100多个词条的数据，自己随便标注成大概8个类别吧。把百科的概述、正文、属性等信息进行清洗后连到一起，类似于这种格式：

label    info

1         词条1的描述balabala

0        词条2的描述balabala

然后再按照9:1分成两个集合，分别明明为train.tsv 和 dev.tsv，作为训练集和测试集。注意每个训练集的第一行都是标题行，这个是我的数据解析器里面这么定义的。

2.2. 预训练模型：谷歌已经提供了基于tf2.0 keras网络结构的中文预训练模型，页面地址是：https://tfhub.dev/tensorflow/bert_zh_L-12_H-768_A-12/1。直接使用就可以了。注意，基于tf1.0的中文预训练模型(bert_chinese_L-12_H-768_A-12)不能在tf2.0里使用，要用脚本转换，但我们既然已经有了最新的模型，就直接用啦。

2.3. bert代码：在github上直接下载：https://github.com/tensorflow/models.git。注意bert已经被谷歌从tensorflow中分离出来，放在models目录下当成第三方独立代码了，所以需要自己下载配置。

2.4. 数据预处理脚本：在2.3步骤下载下来的bert代码里，位置是：models/official/nlp/bert/create_finetuning_data.py，其中已经定义好了支持若干种数据格式的类及实现，因为我需要处理上面自己定义的那种格式的数据，所以自己写了一个处理百度百科的类放到里面了，如果大家有自己的数据格式，修改后覆盖原来的文件就ok了，具体需要改的是：classifier_data_lib.py和create_finetuning_data.py 这两个文件

2. tf-nightly和bert代码下载：目前这个时间段基于tf2.0的bert只能在tf-nightly下面使用（看社区里的留言，应该在tf2.1正式发布的时候就会提供bert正式版了），所以要安装tf-nightly并且在这下面运行后面的代码。

3. 数据预处理脚本的执行：这个就按照命令行的模式在colab里调用脚本create_finetuning_data.py就可以了，没什么难的，有个坑是目前tf2.0的中文预训练模型没提供基于gs的存储位置，而预处理脚本中需要vocab.txt来分词，所以要先离线把模型下载下来，解压缩后，把里面的vocab.txt拿出来并上传到colab上，然后在预训练脚本里制定文件位置就ok（我把vocab.txt放到我的github上了，可以直接调用获取，但如果想获取最新的vocab.txt，最好自己下载然后加压获取。后续谷歌应该会提供在线模型地址，就不用这么麻烦了）

4. finetune：直接调用脚本models/official/nlp/bert/run_classifier.py，这里有个坑是脚本参数里需要bert_config.json，但上面的中文预处理模型没提供这个模型配置文件，所以干脆从其他tf1.0的模型里copy了一个过来（我用的是uncased_L-12_H-768_A-12的bert_config.json）

代码我都放到github上了，大家自己取用即可，欢迎拍砖、吐槽、交流！

https://github.com/liloi/bert-tf2/blob/master/bert-tf2-zh-demo.ipynb