Neurobert Mini

🚀 NeuroBERT-Mini — 适用于边缘AI、物联网和设备端NLP的快速BERT模型

NeuroBERT-Mini是一款轻量级的NLP模型，它源自google/bert-base-uncased，专为边缘和物联网设备的实时推理进行了优化。该模型量化后仅约35MB，拥有约1000万个参数，能在资源受限的环境（如移动应用、可穿戴设备、微控制器和智能家居设备）中实现高效的上下文语言理解。它具备低延迟和离线操作的特性，非常适合对隐私要求较高且网络连接有限的应用场景。

🚀 快速开始

NeuroBERT-Mini 是一个从 google/bert-base-uncased 派生而来的轻量级 NLP 模型，针对边缘和物联网设备上的实时推理进行了优化。其量化后的大小约为 35MB，参数约为 1000 万，能够在资源受限的环境（如移动应用、可穿戴设备、微控制器和智能家居设备）中实现高效的上下文语言理解。该模型设计用于低延迟和离线操作，非常适合对隐私要求较高且网络连接有限的应用场景。

✨ 主要特性

• 轻量级：约35MB的占用空间，适合存储容量有限的设备。
• 上下文理解：通过紧凑的架构捕捉语义关系。
• 离线能力：无需互联网即可完全正常运行。
• 实时推理：针对CPU、移动NPU和微控制器进行了优化。
• 应用广泛：支持掩码语言建模（MLM）、意图检测、文本分类和命名实体识别（NER）。

📦 安装指南

安装所需的依赖项：

pip install transformers torch

确保您的环境支持Python 3.6+，并且有大约35MB的存储空间用于存储模型权重。

💻 使用示例

基础用法

掩码语言建模

预测与物联网相关句子中缺失的单词：

from transformers import pipeline

# 发挥模型的强大功能
mlm_pipeline = pipeline("fill-mask", model="boltuix/NeuroBERT-Mini")

# 测试模型的效果
result = mlm_pipeline("Please [MASK] the door before leaving.")
print(result[0]["sequence"])  # 输出: "Please open the door before leaving."

文本分类

对物联网命令进行意图检测或文本分类：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# 加载分词器和分类模型
model_name = "boltuix/NeuroBERT-Mini"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
model.eval()

# 示例输入
text = "Turn off the fan"

# 对输入进行分词
inputs = tokenizer(text, return_tensors="pt")

# 获取预测结果
with torch.no_grad():
    outputs = model(**inputs)
    probs = torch.softmax(outputs.logits, dim=1)
    pred = torch.argmax(probs, dim=1).item()

# 定义标签
labels = ["OFF", "ON"]

# 打印结果
print(f"Text: {text}")
print(f"Predicted intent: {labels[pred]} (Confidence: {probs[0][pred]:.4f})")

高级用法

微调模型

为了使NeuroBERT-Mini适应自定义的物联网任务（例如特定的智能家居命令），可以按照以下步骤进行微调：

#!pip uninstall -y transformers torch datasets
#!pip install transformers==4.44.2 torch==2.4.1 datasets==3.0.1

import torch
from transformers import BertTokenizer, BertForSequenceClassification, Trainer, TrainingArguments
from datasets import Dataset
import pandas as pd

# 1. 准备示例物联网数据集
data = {
    "text": [
        "Turn on the fan",
        "Switch off the light",
        "Invalid command",
        "Activate the air conditioner",
        "Turn off the heater",
        "Gibberish input"
    ],
    "label": [1, 1, 0, 1, 1, 0]  # 1 表示有效的物联网命令，0 表示无效
}
df = pd.DataFrame(data)
dataset = Dataset.from_pandas(df)

# 2. 加载分词器和模型
model_name = "boltuix/NeuroBERT-Mini"  # 使用 NeuroBERT-Mini
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name, num_labels=2)

# 3. 对数据集进行分词
def tokenize_function(examples):
    return tokenizer(examples["text"], padding="max_length", truncation=True, max_length=64)  # 针对物联网命令设置较短的最大长度

tokenized_dataset = dataset.map(tokenize_function, batched=True)

# 4. 设置 PyTorch 格式
tokenized_dataset.set_format("torch", columns=["input_ids", "attention_mask", "label"])

# 5. 定义训练参数
training_args = TrainingArguments(
    output_dir="./iot_neurobert_results",
    num_train_epochs=5,  # 对于小数据集增加训练轮数
    per_device_train_batch_size=2,
    logging_dir="./iot_neurobert_logs",
    logging_steps=10,
    save_steps=100,
    evaluation_strategy="no",
    learning_rate=3e-5,  # 针对 NeuroBERT-Mini 进行调整
)

# 6. 初始化训练器
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset,
)

# 7. 微调模型
trainer.train()

# 8. 保存微调后的模型
model.save_pretrained("./fine_tuned_neurobert_iot")
tokenizer.save_pretrained("./fine_tuned_neurobert_iot")

# 9. 示例推理
text = "Turn on the light"
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=64)
model.eval()
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits
    predicted_class = torch.argmax(logits, dim=1).item()
print(f"Predicted class for '{text}': {'Valid IoT Command' if predicted_class == 1 else 'Invalid Command'}")

📚 详细文档

评估

NeuroBERT-Mini在掩码语言建模任务上使用了10个与物联网相关的句子进行评估。模型会为每个掩码词预测前5个标记，如果预期的单词在前5个预测中，则测试通过。

测试句子

评估代码

from transformers import AutoTokenizer, AutoModelForMaskedLM
import torch

# 加载模型和分词器
model_name = "boltuix/NeuroBERT-Mini"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForMaskedLM.from_pretrained(model_name)
model.eval()

# 测试数据
tests = [
    ("She is a [MASK] at the local hospital.", "nurse"),
    ("Please [MASK] the door before leaving.", "shut"),
    ("The drone collects data using onboard [MASK].", "sensors"),
    ("The fan will turn [MASK] when the room is empty.", "off"),
    ("Turn [MASK] the coffee machine at 7 AM.", "on"),
    ("The hallway light switches on during the [MASK].", "night"),
    ("The air purifier turns on due to poor [MASK] quality.", "air"),
    ("The AC will not run if the door is [MASK].", "open"),
    ("Turn off the lights after [MASK] minutes.", "five"),
    ("The music pauses when someone [MASK] the room.", "enters")
]

results = []

# 运行测试
for text, answer in tests:
    inputs = tokenizer(text, return_tensors="pt")
    mask_pos = (inputs.input_ids == tokenizer.mask_token_id).nonzero(as_tuple=True)[1]
    with torch.no_grad():
        outputs = model(**inputs)
    logits = outputs.logits[0, mask_pos, :]
    topk = logits.topk(5, dim=1)
    top_ids = topk.indices[0]
    top_scores = torch.softmax(topk.values, dim=1)[0]
    guesses = [(tokenizer.decode([i]).strip().lower(), float(score)) for i, score in zip(top_ids, top_scores)]
    results.append({
        "sentence": text,
        "expected": answer,
        "predictions": guesses,
        "pass": answer.lower() in [g[0] for g in guesses]
    })

# 打印结果
for r in results:
    status = "✔️ PASS" if r["pass"] else "❌ FAIL"
    print(f"\n🔍 {r['sentence']}")
    print(f"🎯 Expected: {r['expected']}")
    print("📋 Top-5 Predictions (word : confidence):")
    for word, score in r['predictions']:
        print(f"   - {word:12} | {score:.4f}")
    print(status)

# 总结
pass_count = sum(r["pass"] for r in results)
print(f"\n🎉 Total Passed: {pass_count}/{len(tests)}")

示例结果（假设）

• 句子：She is a [MASK] at the local hospital.
  预期：nurse
  前5个：[doctor (0.35), nurse (0.30), surgeon (0.20), technician (0.10), assistant (0.05)]
  结果：✔️ PASS
• 句子：Turn off the lights after [MASK] minutes.
  预期：five
  前5个：[ten (0.40), two (0.25), three (0.20), fifteen (0.10), twenty (0.05)]
  结果：❌ FAIL
• 总通过数：~8/10（取决于微调情况）

该模型在物联网相关的上下文中表现良好（例如，“sensors”、“off”、“open”），但对于像“five”这样的数字术语可能需要进行微调。

评估指标

注意：这些指标会根据硬件（例如，树莓派4、安卓设备）和微调情况而有所不同。建议在目标设备上进行测试以获得准确的结果。

使用场景

NeuroBERT-Mini专为计算和连接受限的边缘和物联网场景而设计。主要应用包括：

• 智能家居设备：解析诸如“Turn [MASK] the coffee machine”（预测为“on”）或“The fan will turn [MASK]”（预测为“off”）之类的命令。
• 物联网传感器：解释传感器相关的上下文，例如“The drone collects data using onboard [MASK]”（预测为“sensors”）。
• 可穿戴设备：实时意图检测，例如“The music pauses when someone [MASK] the room”（预测为“enters”）。
• 移动应用：离线聊天机器人或语义搜索，例如“She is a [MASK] at the hospital”（预测为“nurse”）。
• 语音助手：本地命令解析，例如“Please [MASK] the door”（预测为“shut”）。
• 玩具机器人：用于交互式玩具的轻量级命令理解。
• 健身追踪器：本地文本反馈处理，例如情感分析。
• 汽车助手：无需云API的离线命令消歧。

硬件要求

• 处理器：CPU、移动NPU或微控制器（例如，ESP32、树莓派）
• 存储：约35MB用于存储模型权重（量化后以减小占用空间）
• 内存：约80MB RAM用于推理
• 环境：离线或低连接环境

量化处理确保了高效的内存使用，使其适用于微控制器。

训练数据

• 自定义物联网数据集：精心策划的数据，专注于物联网术语、智能家居命令和传感器相关的上下文（源自chatgpt-datasets）。这有助于提高在命令解析和设备控制等任务上的性能。

建议在特定领域的数据上进行微调以获得最佳效果。

与其他模型的比较

NeuroBERT-Mini在大小和性能之间取得了平衡，非常适合比NeuroBERT-Tiny目标设备资源稍多的边缘设备。

🔧 技术细节

模型信息

📄 许可证

MIT许可证：可免费用于个人和商业目的，可进行修改和分发。详情请见 LICENSE。

致谢

• 基础模型：google-bert/bert-base-uncased
• 优化者：boltuix，为边缘AI应用进行了量化处理
• 库：Hugging Face transformers 团队提供模型托管和工具

支持与社区

如果您有任何问题、疑问或想要贡献代码，请：

• 访问 Hugging Face模型页面
• 在 仓库 中提出问题
• 参与Hugging Face上的讨论或通过拉取请求进行贡献
• 查看 Transformers文档 获取指导

了解更多

在Boltuix上探索有关BERT Mini的详细信息和见解：

BERT Mini: Lightweight BERT for Edge AI

我们欢迎社区反馈，以进一步改进NeuroBERT-Mini在物联网和边缘应用中的性能！

标签

#NeuroBERT-Mini #edge-nlp #lightweight-models #on-device-ai #offline-nlp
#mobile-ai #intent-recognition #text-classification #ner #transformers
#mini-transformers #embedded-nlp #smart-device-ai #low-latency-models
#ai-for-iot #efficient-bert #nlp2025 #context-aware #edge-ml
#smart-home-ai #contextual-understanding #voice-ai #eco-ai