17370845950

用BERT做NLU可基于Hugging Face Transformers库快速实现，关键在明确任务类型（如文本分类、NER、QA）、规范数据格式（如CSV含text和label列）、微调时选用对应模型类并设置标签数、推理时配合tokenizer完成端到端预测。

用BERT做自然语言理解（NLU）并不需要从零搭模型，Hugging Face的Transformers库已经封装好预训练权重和标准接口，关键在于理解任务类型、数据格式、微调逻辑和推理部署这四个环节。

明确你的NLU任务属于哪一类

常见NLU任务有文本分类（如情感分析、意图识别）、命名实体识别（NER）、问答（QA）、语义相似度判断等。不同任务对应不同的模型头（head）和标签格式：

• 文本分类：输出一个类别ID，需定义num_labels，标签是整数（如0=正面，1=负面）
• NER：每个token预测一个实体标签（如B-PER、I-ORG），标签数多，需用TokenClassification类
• 问答：输入问题+段落，输出起始/结束位置索引，用QuestionAnswering模型

准备数据：格式比模型更重要

Transformers要求数据以Dataset对象形式传入，推荐用datasets库加载。以中文情感二分类为例：

• 原始CSV应含text和label两列，label为0或1
• 用Dataset.from_csv()加载后，调用map()函数分词：
  def tokenize_fn(examples): return tokenizer(examples["text"], truncation=True, padding=True, max_length=128)
• 注意：中文需用bert-base-chinese等中文分词器，不能直接用英文版

微调时只需改几行关键代码

加载预训练模型后，核心修改点极少：

• 选择对应任务的模型类：AutoModelForSequenceClassification（分类）、AutoModelForTokenClassification（NER）
• 指定num_labels（分类）或label2id/id2label（NER）
• 训练用Trainer类，传入模型、数据集、训练参数（TrainingArguments）即可，无需手写训练循环
• 示例参数：per_device_train_batch_size=16，num_train_epochs=3，learning_rate=2e-5

推理阶段要记得加tokenizer和解码

训练完得到model和tokenizer，预测时不能只喂原始字符串：

• 先用tokenizer(text, return_tensors="pt")转成PyTorch张量
• 送入模型得logits，用torch.argmax(logits, dim=-1).item()取预测类别
• 若做了label映射（如{0:"neg", 1:"pos"}），再查表转回可读标签
• 批量预测时注意tokenizer的padding和truncation必须开启

不复杂但容易忽略：中文任务务必确认分词器与模型一致，验证集指标要早看早调，小样本下可试WarmupSteps和WeightDecay来稳住训练。