首先声明：本人是一个刚接触NLP和Python的小白，本文也只是为了记录自己在学习Bert模型上面遇到的一些问题，有说的不对的地方，请大家指正，我都会虚心接受。
本人由于是小白，所以是跟着视频学习跑的bert模型官方示例，视频链接放这里，老师讲的很好，推荐给大家
https://www.bilibili.com/video/BV1NJ411o7u3?p=1
我跑的是谷歌在github上面的官方测试项目，跑的是第一个，具体的网址我放在这里（我跑的是第一个模型，具体任务是判断两个句子是否表达的是同样的意思，谷歌官方还有很多其他任务模型，大家可以尝试）
https://github.com/google-research/bert
如果模型代码和数据集下不下来，可以私信我发给你，上面的视频课程的评论区也有下载方式
环境配置
本人环境：
Anaconda3-4.3.0（python3.6.0）
pycharm：pycharm-community-2017.2.7
tensorflow：1.13.1
CUDA:10
cudnn:v7.4.1.5
环境和各个部分的版本号非常重要！一定要相互对应！！
如果对应不上会出现各种问题！！！
本人在这里浪费了很多时间，大家一定要重视！！！
说明几点：
1、anaconda中集成了python，所以安装了anaconda后就不要再安装python了！安装了相应版本的anaconda，就会有相对应的python版本
2、建议不要下载最新版本，如果版本问题导致模型出现error，实在解决不了可以考虑按照我的版本去下载
3、tensorflow建议使用tensorflow1.XX，而不要使用tensorflow2.XX
因为模型是几年前的了，当时用的是tensorflow1
tensorflow2的语法在有的地方和tensorflow1不同，可能会报错。
4、CUDA和cudnn的版本要对应，这两个家伙和python还有tensorflow的版本也要对应
导入模型和参数设置
导入模型没什么好说的，在pycharm里新建一个工程，把代码和数据集丢进去就行。
这里有一个小问题，是我遇到了的：
如果这里的 modeling optimization tokenization三个包下面有红色波浪线，解决办法是
选择Sources Root 就可以了
参数设置（重点）
一定不要使用官方的参数，原因是路径不合适，会找不到文件导致报错。
可以使用我的参数：
然后跑run_classifier.py，模型就开始跑了
运行结果
CPU跑出来的：
常见问题
1、选择使用CPU还是GPU
建议在代码中自行加入如下代码
os.environ["CUDA_VISIBLE_DEVICES"] = ""
其中" "填写GPU的编号，这个可以在任务管理器里面查到，如果填写集显的编号，就会使用CPU。使用GPU的编号，就会适用相应的GPU
2、关于使用GPU跑模型
如果报错OOM，就是爆显存了，可以适当将一下参数调小
max_seq_length=128 # 最大序列长度
num_train_epochs=3.0 # 训练轮次
train_batch_size=8 # 使用小批量梯度下降优化时,每次处理8个样本
下面是用的1050ti 4G显存跑的时候，显存的占用率
可以看到几乎在爆显存的边缘，而且以上三个参数我都调到最低了，还是会在运行过程中爆掉。
这个是什么原因希望有大佬可以解答一下，是bert太厉害我显卡太垃圾吗？
--------------------------2021.10.25 更新------------------------------------------------
果然是自己显卡的4g显存太小了，跑几步就爆显存了。
解决方法1：换显卡
解决方法2：用CPU跑，具体步骤就是加一条语句os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘’，
''中填显卡编号（我的独显是0，集显是1，选择集显就是用CPU跑）
解决方法3：限制显存使用上限（感谢我的导师告诉我这个办法）
os.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0’
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.5) #这里是用50%的显存
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
通过方法3，成功开始用GPU跑模型了。
持续更新中…