基于 BERT 的 NER 模型在反序列化时给出不一致的预测

Question

我正在尝试使用 Colab 云 GPU 上的 HuggingFace 转换器库训练 NER 模型，对其进行 pickle 并自行加载模型 CPU 以进行预测。

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在 Colab 上保存模型

import torch

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

然后使用

将其加载到我的本地CPU

# Initiating an instance of the model type

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

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

用于标记文本和进行实际预测的代码片段在 Colab GPU 笔记本实例和我的 CPU 笔记本实例上是相同的。

预期行为

经过 GPU 训练的模型表现正确并完美地对以下标记进行分类：

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

加载模型并使用它对我的 CPU 进行预测时，预测完全错误：

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]

有没有人知道为什么它不起作用？我错过了什么吗？

Answer 1

我修好了，有两个问题：

令牌的索引标签映射是错误的，出于某种原因，list() 函数在 Colab GPU 上的工作方式与我的 CPU (??)
不同
用于保存模型的代码片段不正确，对于基于 huggingface-transformers 库的模型你不能使用 model.save_dict() 并稍后加载它，你需要使用模型 class 的 save_pretrained() 方法，稍后使用 from_pretrained().
加载它

基于 BERT 的 NER 模型在反序列化时给出不一致的预测

BERT-based NER model giving inconsistent prediction when deserialized

python

pytorch

bert-language-model

huggingface-transformers