如何获取pytorch分类模型的预测？ （BERT）

Question

我正在运行此文件： https://github.com/huggingface/pytorch-pretrained-BERT/blob/master/examples/run_classifier.py

这是一个输入批次的预测代码：

  input_ids = input_ids.to(device)
  input_mask = input_mask.to(device)
  segment_ids = segment_ids.to(device)
  label_ids = label_ids.to(device)

  with torch.no_grad():
       logits = model(input_ids, segment_ids, input_mask, labels=None)

       loss_fct = CrossEntropyLoss()
       tmp_eval_loss = loss_fct(logits.view(-1, num_labels), label_ids.view(-1))

       eval_loss += tmp_eval_loss.mean().item()
       nb_eval_steps += 1
       if len(preds) == 0:
           preds.append(logits.detach().cpu().numpy())
       else:
           preds[0] = np.append(preds[0], logits.detach().cpu().numpy(), axis=0)

任务是二进制分类。 我想访问二进制输出。

我已经尝试过了：

  curr_pred = logits.detach().cpu()

  if len(preds) == 0:
      preds.append(curr_pred.numpy())
  else:
      preds[0] = np.append(preds[0], curr_pred.numpy(), axis=0)

  probablities = curr_pred.softmax(1).numpy()[:, 1]

但是结果似乎很奇怪。所以我不确定这是否正确。

我的假设-我正在接收最后一层的输出，因此，在softmax之后，它是真实的概率（dim 2的向量-第一类的概率和第二类的概率）

Answer 1

查看run_classifier.py代码的这一部分之后：

    # copied from the run_classifier.py code 
    eval_loss = eval_loss / nb_eval_steps
    preds = preds[0]
    if output_mode == "classification":
        preds = np.argmax(preds, axis=1)
    elif output_mode == "regression":
        preds = np.squeeze(preds)
    result = compute_metrics(task_name, preds, all_label_ids.numpy())

您只是想念

    preds = preds[0]
    preds = np.argmax(preds, axis=1)

然后他们只使用preds计算精度为：

    def simple_accuracy(preds, labels):
         return (preds == labels).mean()