Bert模型的pytorch实现

以下是一个简单的Bert模型的Pytorch实现：

import torch
import torch.nn as nn
from transformers import BertModel

class BertClassifier(nn.Module):
    def __init__(self, bert_model, num_classes):
        super(BertClassifier, self).__init__()
        self.bert = BertModel.from_pretrained(bert_model)
        self.linear = nn.Linear(self.bert.config.hidden_size, num_classes)
        self.softmax = nn.Softmax(dim=1)

    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask)
        last_hidden_state = outputs.last_hidden_state[:, 0, :]
        logits = self.linear(last_hidden_state)
        probs = self.softmax(logits)
        return probs

在这个模型中，我们使用了transformers库中预训练的Bert模型，然后在模型的输出上接了一个线性层和一个softmax函数。模型的输入是input_ids和attention_mask，其中input_ids是一个包含了文本序列的token ids的tensor，而attention_mask则是一个用于指示哪些token在文本中真正存在的binary mask。最后我们返回一个概率分布，代表每个类别的预测概率。