HanBert-Transformers

HanBert on 🤗 Huggingface Transformers 🤗

Details

• HanBert Tensorflow ckpt를 Pytorch로 변환
  • 기존의 Optimizer 관련 Parameter는 제거하여 기존의 1.43GB에서 488MB로 줄였습니다.
  • 변환 시 Optimizer 관련 파라미터를 Skip 하지 못하는 이슈가 있어 해당 부분을 고쳐서 변환했습니다. (해당 이슈 관련 PR)

# transformers bert TF_CHECKPOINT TF_CONFIG PYTORCH_DUMP_OUTPUT
$ transformers bert HanBert-54kN/model.ckpt-3000000 \
                    HanBert-54kN/bert_config.json \
                    HanBert-54kN/pytorch_model.bin

• Tokenizer를 위하여 tokenization_hanbert.py 파일을 새로 제작
  • Transformers의 tokenization 관련 함수 지원 (convert_tokens_to_ids, convert_tokens_to_string, encode_plus...)

How to Use

1. 관련 라이브러리 설치

   • torch>=1.1.0
   • transformers>=2.2.2

2. 모델 다운로드 후 압축 해제

   • 기존의 HanBert에서는 tokenization 관련 파일을 /usr/local/moran에 복사해야 했지만, 해당 폴더 이용 시 그래도 사용 가능합니다.
   • 다운로드 링크 (Pretrained weight + Tokenizer tool)
     • HanBert-54kN-torch
     • HanBert-54kN-IP-torch

3. tokenization_hanbert.py 준비

   • Tokenizer의 경우 Ubuntu 환경에서만 사용 가능합니다.
   • 하단의 형태로 디렉토리가 세팅이 되어 있어야 합니다.

.
├── ...
├── HanBert-54kN-torch
│   ├── config.json
│   ├── pytorch_model.bin
│   ├── vocab_54k.txt
│   ├── libmoran4dnlp.so
│   ├── moran.db
│   ├── udict.txt
│   └── uentity.txt
├── tokenization_hanbert.py
└── ...

Example

1. Model

>>> import torch
>>> from transformers import BertModel

>>> model = BertModel.from_pretrained('HanBert-54kN-torch')
>>> input_ids = torch.LongTensor([[31, 51, 99], [15, 5, 0]])
>>> token_type_ids = torch.LongTensor([[0, 0, 0], [0, 0, 0]])
>>> attention_mask = torch.LongTensor([[1, 1, 1], [1, 1, 0]])
>>> sequence_output, pooled_output = model(input_ids, attention_mask, token_type_ids)
>>> sequence_output
tensor([[[-0.0938, -0.5030,  0.3765,  ..., -0.4880, -0.4486,  0.3600],
         [-0.6036, -0.1008, -0.2344,  ..., -0.6606, -0.5762,  0.1021],
         [-0.4353,  0.0970, -0.0781,  ..., -0.7686, -0.4418,  0.4109]],

        [[-0.7117,  0.2479, -0.8164,  ...,  0.1509,  0.8337,  0.4054],
         [-0.7867, -0.0443, -0.8754,  ...,  0.0952,  0.5044,  0.5125],
         [-0.8613,  0.0138, -0.9315,  ...,  0.1651,  0.6647,  0.5509]]],
       grad_fn=<AddcmulBackward>)

2. Tokenizer

>>> from tokenization_hanbert import HanBertTokenizer
>>> tokenizer = HanBertTokenizer.from_pretrained('HanBert-54kN-torch')
>>> text = "나는 걸어가고 있는 중입니다. 나는걸어 가고있는 중입니다. 잘 분류되기도 한다. 잘 먹기도 한다."
>>> tokenizer.tokenize(text)
['나', '~~는', '걸어가', '~~고', '있', '~~는', '중', '~~입', '~~니다', '.', '나', '##는걸', '##어', '가', '~~고', '~있', '~~는', '중', '~~입', '~~니다', '.', '잘', '분류', '~~되', '~~기', '~~도', '한', '~~다', '.', '잘', '먹', '~~기', '~~도', '한', '~~다', '.']

3. Test with python file

$ python3 test_hanbert.py --model_name_or_path HanBert-54kN-torch
$ python3 test_hanbert.py --model_name_or_path HanBert-54kN-IP-torch

Result on Subtask

max_seq_len = 50으로 설정

• NSMC (Naver Sentiment Movie Corpus) (Implementation of HanBert-nsmc)
• Naver NER (NER task on Naver NLP Challenge 2018) (Implementation of HanBert-NER)

Reference

• HanBert Github
• KoBERT Github
• Kobert-transformers
• Huggingface Transformers
• From Tensorflow to Pytorch