Huggingface | 修改模型的embedding

目标：

在NLP领域，基于公开语料的预训练模型，在专业领域迁移时，会遇到专业领域词汇不在词汇表的问题，本文介绍如何添加专有名词到预训练模型。

NLP的处理流程：

1. 对输入的句子进行分词，得到词语及下标
2. 通过embedding层获得词语对应的embedding
3. embedding送入到预训练模型，经过attention注意力机制，获得token在句子中的语义embedding向量
4. 利用语义embedding向量，构建下游任务。

其中，预训练模型是在公开语料上训练的，我们在做迁移学习，把模型迁移到财经领域时，会面临的一个问题，就是财经词汇不在词汇表，会被拆分成单个字，从而会导致专业名词的完整意思的破坏，或者让模型去学习时，不那么直观。

在tokenizer中添加新词汇

• 1. 在vocab.txt中，利用前100里的[unused]，将[unused]换成自己想要添加的。具体有多少个[unused]要看自己的预训练模型，可能100个，可能1000个，但都有限。如果要添加的词汇量小，并且预训练模型确实有vocab.txt文件，则可以，比如bert，目前看对于领域来说，量不够大。
• 2. 更加通用的办法：通过tokenizer，向词汇表中追加新的专业词汇，没有不限。特别是现在比较复杂的模型，都没有单独的vocab.txt文件了，只能通过这种方式。

from transformers import AutoModel, AutoTokenizer

# 加载预训练模型和tokenizer
model = AutoModel.from_pretrained("./bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("./bert-base-uncased")

# 添加新词汇到tokenizer的词汇表中
print(len(tokenizer)) # 30522
tokenizer.add_tokens(["newword","awdddd"])
print(len(tokenizer)) # 30524

新词汇embedding的生成

新词汇的加入，势必会不适配原始embedding的维度，原始的embedding维度为[vocab_size,hidden_size]，但是我们又不可能重新去训练整个embedding，我们想尽量保留原始embedding参数，因此，这里比较巧妙的运用了reshape技巧，人为添加新词汇的embedding（随机的，没学习），然后使用领域材料进行学习。

这种方法，因为是添加token，需要修改embedding matrix。

实验证明resize matrix不会打扰原始预训练的embeddings。

from transformers import AutoModel, AutoTokenizer

# 加载预训练模型和tokenizer（重要）
model = AutoModel.from_pretrained("./bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("./bert-base-uncased")

# 添加新词汇到tokenizer的词汇表中（重要）
print(len(tokenizer))
tokenizer.add_tokens(["newword","awdddd"])
print(len(tokenizer))

x = model.embeddings.word_embeddings.weight[-1, :]

# 扩展模型的嵌入矩阵，以包含新词汇的嵌入向量（重要）
model.resize_token_embeddings(len(tokenizer))

y = model.embeddings.word_embeddings.weight[-2, :]

z = model.embeddings.word_embeddings.weight[-1, :]

x1 = model.embeddings.word_embeddings.weight[-3, :]
 
print(y.shape) # torch.Size([768])
print(z.shape) # torch.Size([768])
print(x == x1) # 原始token的embedding会改变吗？原来embedding weight 不会变

# 使用新的嵌入向量初始化新词汇的嵌入向量
a = model.get_input_embeddings()
print(a) # Embedding(30524, 768)

tok = tokenizer.convert_tokens_to_ids(["newword"])
print(tok) # [30522]


# 保存微调后的模型和tokenizer（重要）
model.save_pretrained("./gaibian")
tokenizer.save_pretrained("./gaibian")

生成的文件，多了一个added_tokens.json。

有了这个初始embedding，经过MLM等任务，就可以训练新词汇的embedding表示了，通过下游任务来学习这个embedding。

huggingface中的added_tokens.json文件

在 Hugging Face 中，added_tokens.json 文件是一个 JSON 格式的文件，用于存储添加到 tokenizer 中的特殊标记（special tokens）。

使用 Hugging Face 的 tokenizer 时，我们可以通过 tokenizer.add_tokens() 方法向 tokenizer 中添加自定义的特殊标记。添加的特殊标记会被保存在 added_tokens.json 文件中，以便在下次使用 tokenizer 时重新加载。

如果您想添加自定义的特殊标记，请确保将其添加到 added_tokens.json 文件中，并使用 tokenizer.add_tokens() 方法将其添加到 tokenizer 中。

加载训练后的模型

from transformers import AutoModel, AutoTokenizer

# 加载预训练模型和tokenizer
model = AutoModel.from_pretrained("./gaibian")
tokenizer = AutoTokenizer.from_pretrained("./gaibian")

print(model) # 模型的框架
print("=====================")
tok1 = tokenizer.convert_tokens_to_ids(["newword"])
tok2 = tokenizer.convert_tokens_to_ids(["awdddd"])
print(tok1) # [30522]
print(tok2) # [30523]

说明可以加载。