bert-as-service输出分类结果

bert-as-service: Mapping a variable-length sentence to a fixed-length vector using BERT model

默认情况下bert-as-service只提供固定长度的特征向量，如果想要直接获取分类预测结果呢？

bert提供了的run_classifier.py 以训练分类模型，同时bert提供了离线评估的方法。

一些可能的部署思路

• bert基于tensorflow实现，可以参考tensorflow-serving对外提供部署服务
• 参考bert代码修改离线接口为在线推断，基于flask/django提供部署服务
• 修改bert-as-service提供高效在线预测服务

bert-as-service的强大可以参考：Serving Google BERT in Production using Tensorflow and ZeroMQ

修改bert-as-service提供分类预测

思路：https://github.com/hanxiao/bert-as-service/issues/213

bert-as-service 默认情况下，不会加载分类层

1. 加载模型的同时加载分类层的权重和bias
2. 添加分类层

在graph.py#L79中添加

            if args.pooling_strategy == PoolingStrategy.CLASSIFICATION:
                 hidden_size = 768
                 output_weights = tf.get_variable(
                     "output_weights", [args.num_labels, hidden_size],
                     )

                  output_bias = tf.get_variable(
                     "output_bias", [args.num_labels])

              tvars = tf.trainable_variables()		            

注意：在加载权重和bias的时候不要定义初始化方法，否则会从初始化方法进行加载，而不是微调模型。

在graph.py#L127添加

                elif args.pooling_strategy == PoolingStrategy.CLASSIFICATION:
                     # pooled = tf.squeeze(encoder_layer[:, 0:1, :], axis=1)
                     logits = tf.matmul(pooled, output_weights, transpose_b=True)
                     logits = tf.nn.bias_add(logits, output_bias)
                     pooled = tf.nn.softmax(logits, axis=-1)

具体代码github