PyTorch BERT TypeError: forward() получил неожиданный аргумент ключевого слова 'labels'

Question

Обучение модели BERT с использованием трансформаторов PyTorch (следуя руководству здесь).

Следующее утверждение в учебнике

loss = model(b_input_ids, token_type_ids=None, attention_mask=b_input_mask, labels=b_labels)

приводит к

TypeError: forward() got an unexpected keyword argument 'labels'

Вот полная ошибка,

TypeError                                 Traceback (most recent call last)
<ipython-input-53-56aa2f57dcaf> in <module>
     26         optimizer.zero_grad()
     27         # Forward pass
---> 28         loss = model(b_input_ids, token_type_ids=None, attention_mask=b_input_mask, labels=b_labels)
     29         train_loss_set.append(loss.item())
     30         # Backward pass

~/anaconda3/envs/systreviewclassifi/lib/python3.6/site-packages/torch/nn/modules/module.py in __call__(self, *input, **kwargs)
    539             result = self._slow_forward(*input, **kwargs)
    540         else:
--> 541             result = self.forward(*input, **kwargs)
    542         for hook in self._forward_hooks.values():
    543             hook_result = hook(self, input, result)

TypeError: forward() got an unexpected keyword argument 'labels'

Кажется, я не могу понять, какой аргумент ожидает функция forward().

Существует аналогичная проблема здесь, но я до сих пор не понимаю, что решение.

Системная информация:

• ОС: Ubuntu 16.04 LTS
• Версия Python: 3.6.x
• Версия фонарика: 1.3.0
• Версия Torch Vision: 0.4.1
• Версия трансформаторов PyTorch: 1.2.0

Answer 1

Насколько мне известно, BertModel не принимает ярлыки в forward()функция. Проверьте параметры функции пересылки.

Я подозреваю, что вы пытаетесь настроить BertModel для задачи классификации последовательностей, а API предоставляет класс для этой задачи, которым является BertForSequenceClassification. Как вы можете видеть определение функции forward():

def forward(self, input_ids, attention_mask=None, token_type_ids=None,
            position_ids=None, head_mask=None, labels=None):

Обратите внимание, что метод forward() возвращает следующее.

Outputs: `Tuple` comprising various elements depending on the configuration (config) and inputs:
        **loss**: (`optional`, returned when ``labels`` is provided) ``torch.FloatTensor`` of shape ``(1,)``:
            Classification (or regression if config.num_labels==1) loss.
        **logits**: ``torch.FloatTensor`` of shape ``(batch_size, config.num_labels)``
            Classification (or regression if config.num_labels==1) scores (before SoftMax).
        **hidden_states**: (`optional`, returned when ``config.output_hidden_states=True``)
            list of ``torch.FloatTensor`` (one for the output of each layer + the output of the embeddings)
            of shape ``(batch_size, sequence_length, hidden_size)``:
            Hidden-states of the model at the output of each layer plus the initial embedding outputs.
        **attentions**: (`optional`, returned when ``config.output_attentions=True``)
            list of ``torch.FloatTensor`` (one for each layer) of shape ``(batch_size, num_heads, sequence_length, sequence_length)``:
            Attentions weights after the attention softmax, used to compute the weighted average in the self-attention heads. 

Надеюсь это поможет!