完整源码项目包获取→点击文章末尾名片！

使用HuggingFace开发的Transformers库，使用BERT模型实现中文文本分类（二分类或多分类）
首先直接利用transformer.models.bert.BertForSequenceClassification()实现文本分类
然后手动实现BertModel + FC 实现上边函数。其中可以方便的更改参数和结构
然后实验了论文中将bert最后四层进行concat再maxpooling的方法，
最后实现了bert + CNN实现文本分类
模型使用的是哈工大chinese-bert-wwm,可以完全兼容BERT
下载：
git clone https://huggingface.co/hfl/chinese-bert-wwm

结果
除了第一个实验dropout_bert是0.1，其余是0.2. 剩下参数都一样。
训练3个epoch

模型
train/val acc
val acc
test acc
链接
会用内建BertForSequenceClassification
0.982
0.950
0.950
链接
自己实现Bert+fc 一层全连接层
0.982
0.948
0.954
链接
将Bert最后四层相concat然后maxpooling
0.977
0.946
0.951
链接
BERT+CNN
0.984
0.947
0.955
链接

1. 官方的transformer.models.bert.BertForSequenceClassification()就是直接使用BertModel 再接一层全连接层实现的。第二个项目是为了方便自己修改网络结构，进行手动实现。效果差不多，可以自己修改接几层线形结构，但是实验了一层就够了。
2. 根据参考2的论文，将BERT最后四层的CLS向量concat然后取max pooling可以让bert在分类问题上有更好的效果。在THUNews上测试可以提高0.4%相比bert。已经很大了相比其他方法而言。
3. 我一直觉得bert后面接CNN和RNN等都不好，毕竟transformer就是改善这两类模型的，再接一层也好不到哪去。如果我理解不到位可以告诉我。我还实验了bert使用前四层的输出进行concat，效果acc也能达到0.80+，层数越深效果感觉真的不明显。bert+cnn/rnn等这个模型在参考3 中两年前就有人做过实验，写出来过，他实验的效果也是不如单纯的BERT。调了调cnn的大小，其实都差不多。

标签定义：

• 0: Diagnosis（诊断）
• 1: Treatment（治疗）
• 2: Common Knowledge（常识）
• 3: Healthy lifestyle（健康生活方式）
• 4: Epidemiology（流行病学）
• 5: Other（其他）
  

模型的实现包括以下几个部分：

1. 数据处理与加载：如何加载文本数据并进行必要的预处理。
2. 模型架构：

• bert_lr：一个基于BERT的线性分类器模型。
• bert_cnn：一个基于BERT与卷积神经网络（CNN）结合的模型。

3. 训练过程：如何设置训练循环、优化器和损失函数。
4. 评估与预测：模型在验证集和测试集上的评估，以及如何进行推理。