如何获取BERT句子嵌入向量？

Question

我正在使用模块

bert-for-tf2

来将 BERT 模型包装为 Tensorflow 2.0 中的 Keras 层，我已按照您的指南将 BERT 模型实现为 Keras 层。 我正在尝试从句子中提取嵌入；就我而言，这句话是“你好”

我对模型预测的输出有疑问；我写了这个模型：

model_word_embedding = tf.keras.Sequential([
                tf.keras.layers.Input(shape=(4,), dtype='int32', name='input_ids'),
                bert_layer
])

model_word_embedding .build(input_shape=(None, 4))

然后我想提取上面写的句子的嵌入：

sentences = ["Hello"]
predict = model_word_embedding .predict(sentences)

对象预测包含 4 个数组，每个数组有 768 个元素：

print(predict)
print(len(predict))
print(len(predict[0][0]))
...

[[[-0.02768866 -0.7341324   1.9084396  ... -0.65953904  0.26496622
    1.1610721 ]
  [-0.19322394 -1.3134469   0.10383344 ...  1.1250225  -0.2988368
   -0.2323082 ]
  [-1.4576151  -1.4579685   0.78580517 ... -0.8898649  -1.1016986
    0.6008501 ]
  [ 1.41647    -0.92478925 -1.3651332  ... -0.9197768  -1.5469263
    0.03305872]]]
4
768

我知道这 4 个数组中的每个数组都代表我的原始句子，但我想获得一个数组作为我原始句子的嵌入。 所以，我的问题是：如何获得句子的嵌入？

在 BERT 源代码中我读到了这个：

对于分类任务，第一个向量（对应于[CLS]）用作“句子向量”。请注意，这只有在整个模型经过微调后才有意义。

我是否必须从预测输出中获取第一个数组，因为它代表我的句子向量？

Answer 1

我们应该使用最后隐藏状态的 [CLS] 作为 BERT 的句子嵌入。根据BERT论文[CLS]表示768维的编码句子。下图更详细地展示了[CLS]的使用。考虑到你有 2000 个句子。

#input_ids consist of all sentences padded to max_len. 
last_hidden_states = model(input_ids)
features = last_hidden_states[0][:,0,:].numpy() # considering o only the [CLS] for each sentences 
features.shape
# (2000, 768) dimension