基于BERT的NER模型在反序列化时给出不一致的预测

如何解决基于BERT的NER模型在反序列化时给出不一致的预测

我正在尝试在Colab云GPU上使用HuggingFace变压器库训练NER模型，对其进行腌制并将其加载到我自己的CPU上进行预测。

代码

模型如下：

from transformers import BertForTokenClassification

model = BertForTokenClassification.from_pretrained(
    "bert-base-cased",num_labels=NUM_LABELS,output_attentions = False,output_hidden_states = False
)

我正在使用此代码段将模型保存在Colab上

import torch

torch.save(model.state_dict(),FILENAME)

然后使用

将其加载到我的本地CPU上

# Initiating an instance of the model type

model_reload = BertForTokenClassification.from_pretrained(
    "bert-base-cased",num_labels=len(tag2idx),output_hidden_states = False
)

# Loading the model
model_reload.load_state_dict(torch.load(FILENAME,map_location='cpu'))
model_reload.eval()

用于标记文本并进行实际预测的代码段在Colab GPU笔记本实例和我的CPU笔记本实例上都是相同的。

预期行为

GPU训练的模型行为正确，并对以下标记进行了完美分类：

O       [CLS]
O       Good
O       morning
O,O       my
O       name
O       is
B-per   John
I-per   Kennedy
O       and
O       I
O       am
O       working
O       at
B-org   Apple
O       in
O       the
O       headquarters
O       of
B-geo   Cupertino
O       [SEP]

实际行为

在加载模型并将其用于在我的CPU上进行预测时，这些预测是完全错误的：

I-eve   [CLS]
I-eve   Good
I-eve   morning
I-eve,I-eve   my
I-eve   name
I-eve   is
I-geo   John
B-eve   Kennedy
I-eve   and
I-eve   I
I-eve   am
I-eve   working
I-eve   at
I-gpe   Apple
I-eve   in
I-eve   the
I-eve   headquarters
I-eve   of
B-org   Cupertino
I-eve   [SEP]

有人知道为什么它不起作用吗？我错过了什么吗？

解决方法

我修复了它，有两个问题：

1. 令牌的索引标签映射是错误的，由于某种原因，list（）函数在Colab GPU上的工作方式与我在CPU（??）上的工作方式不同

2. 用于保存模型的代码段不正确，对于基于huggingface-transformers库的模型，您不能使用model.save_dict（）并稍后加载，您需要使用save_pretrained（）方法模型类，然后使用from_pretrained（）加载它。