使用BERT模型做文本分类；面向工业用途
- 自己研究了当前开源的使用BERT做文本分类的许多存储库，各有各的缺点。通病就是面向学术，不考虑实际应用。
- 使用txt、tsv、csv等不同数据集也就算了，有些项目甚至似乎存在bug。所以还是要自己动手解决。
- 已经较为完整可用，欢迎收藏加关注。有问题可提issue交流。
- 在自定义Processor类中添加了针对单条文本的处理方法。在常规的针对test数据集的predict方法之外添加了针对单条数据的类别预测方法。
- 编写了简单的web服务，直接搭建对外服务的API接口。
- estimator 从 tf.contrib.tpu.TPUEstimator换成 tf.estimator.Estimator，以便在 gpu 上更高效运行。于此同时 model_fn 里tf.contrib.tpu.TPUEstimatorSpec 也修改成 tf.estimator.EstimatorSpec形式，相关调用参数也做了调整。
- 在转换成较普通的 estimator 后便可以使用常用方式处理，如生成用于部署的 *.pb 文件等。
- 准备工作
- 首先要下载BERT-Base中文模型或者从Chinese-BERT-wwm下载全词mask版本并解压到合适的目录；后面需要作为model_dir配置。
- 单机运行
- 在arguments.py中修改运行参数。主要是数据目录、BERT目录、模型目录、序列长度、batch大小、学习率等。
如果仅对test.txt执行预测，只需要把 do_predict 设为True，do_train 与do_eval 设置为false。
- 训练+评估：运行train_eval.py
如果上面步骤进展顺利，恭喜，在输出目录内已经生成了训练和评估结果。屏幕上也打印出了评估准确率等。
- 测试：先修改自己要测试的问题，运行predict_GPU.py
- 使用自己的真实数据集。修改训练参数，重新进行训练和评估。
- 搭建分类预测服务
- 使用自己的pb模型+开源框架。 【强烈推荐】
- 运行server.py 【仅供玩耍】
- 有pb模型自己使用TensorFlow Serving部署
- 关于用bert-base搭建服务的简介：
- 在服务器端、客户端安装：pip install bert-base
- 在PB模型所在目录下新建一个 run.sh文件，写入以下内容：
bert-base-serving-start \
-model_dir ./ \ # 训练输出目录【主要是其他Mode用到】。
-bert_model_dir F:\chinese_L-12_H-768_A-12 # BERT自身的目录。
-model_pb_dir ./ \ # pb模型路径，就填./ 当前目录就行了。。
-mode CLASS \ # 运行模式，分类就是CLASS
-max_seq_len 200 \ # 最大序列长度。要跟训练时参数一致。
- 运行编写好的run.sh，如果没报错，提示已经开始监听的话就表示服务成功开启。可以使用客户端运行示例了。
非本机运行的话，构造BertClient时需要设置ip参数，例如BertClient(ip=192.168.20.20 ）。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent