本文通过people_daily_ner数据集，介绍两段式训练过程，第一阶段是训练下游任务模型，第二阶段是联合训练下游任务模型和预训练模型，来实现中文命名实体识别任务。
一.任务和数据集介绍
1.命名实体识别任务
NER（Named Entity Recognition）和Pos（Part-of-Speech）是2类典型的标记分类问题。NER是信息抽取基础，识别文本中的实体（比如人名、地点、组织结构名等），本质就是预测每个字对应的标记。DL兴起前，主要是HMM和CRF等模型，现在基本是DL模型。可根据需要设置标注方式，常见方式有BIO、BIESO等。NER数据样例如下所示：
2.数据集介绍
本文使用中文命名实体识别数据集people_daily_ner，样例数据如下所示：
people_daily_ner数据集标签对照表如下所示：
O：表示不属于一个命名实体。 B-PER：表示人名的开始。 I-PER：表示人名的中间和结尾部分。 B-ORG：表示组织机构名的开始。 I-ORG：表示组织机构名的中间和结尾部分。 B-LOC：表示地名的开始。 I-LOC：表示地名的中间和结尾部分。
3.模型架构
本文使用hfl/rbt3模型[2]，参数量约3800万。基本思路为使用一个预训练模型从文本中抽取数据特征，再对每个字的数据特征做分类任务，最终得到和原文一一对应的标签序列（BIO）。
二.准备数据集
1.使用编码工具
使用hfl/rbt3编码器编码工具如下所示：
def load_encode_tool(pretrained_model_name_or_path):
"""
加载编码工具
"""
tokenizer = AutoTokenizer.from_pretrained(Path(f'{pretrained_model_name_or_path}'))
return tokenizer
if __name__ == '__main__':
# 测试编码工具
pretrained_model_name_or_path = r'L:/20230713_HuggingFaceModel/rbt3'
tokenizer = load_encode_tool(pretrained_model_name_or_path)
print(tokenizer)
# 测试编码句子
out = tokenizer.batch_encode_plus(
batch_text_or_text_pairs=[
[ '海', '钓', '比', '赛', '地', '点', '在', '厦', '门', '与', '金', '门', '之', '间', '的', '海', '域', '。'],
[ '这', '座', '依', '山', '傍', '水', '的', '博', '物', '馆', '由', '国', '内', '′', '一', '流', '的', '设', '计', '师', '主', '持', '设', '计', '。']],
truncation=True, # 截断
padding='max_length', # [PAD]
max_length=20, # 最大长度
return_tensors='pt', # 返回pytorch张量
is_split_into_words=True # 按词切分
)
# 查看编码输出
for k, v in out.items():
print(k, v.shape)
# 将编码还原为句子
print(tokenizer.decode(out['input_ids'][0]))
print(tokenizer.decode(out['input_ids'][1]))
输出结果如下所示：
BertTokenizerFast(name_or_path='L:\20230713_HuggingFaceModel\rbt3', vocab_size=21128, model_max_length=1000000000000000019884624838656, is_fast=True, padding_side='right', truncation_side='right', special_tokens={'unk_token': '[UNK]', 'sep_token': '[SEP]', 'pad_token': '[PAD]', 'cls_token': '[CLS]', 'mask_token': '[MASK]'}, clean_up_tokenization_spaces=True)
input_ids torch.Size([2, 20])
token_type_ids torch.Size([2, 20])
attention_mask torch.Size([2, 20])
[CLS] 海 钓 比 赛 地 点 在 厦 门 与 金 门 之 间 的 海 域 。 [SEP]
[CLS] 这 座 依 山 傍 水 的 博 物 馆 由 国 内 一 流 的 设 计 [SEP]
需要说明参数is_split_into_words=True让编码器跳过分词步骤，即告诉编码器输入句子是分好词的，不用再进行分词。
2.定义数据集
定义数据集代码如下所示：
class Dataset(torch.utils.data.Dataset):
def __init__(self, split):
# 在线加载数据集
# dataset = load_dataset(path='people_daily_ner', split=split)
# dataset.save_to_disk(dataset_dict_path='L:/20230713_HuggingFaceModel/peoples_daily_ner')
# 离线加载数据集
dataset = load_from_disk(dataset_path='L:/20230713_HuggingFaceModel/peoples_daily_ner')[split]
# print(dataset.features['ner_tags'].feature.num_classes) #7
# print(dataset.features['ner_tags'].feature.names) # ['O','B-PER','I-PER','B-ORG','I-ORG','B-LOC','I-LOC']
self.dataset = dataset
def __len__(self):
return len(self.dataset)
def __getitem__(self, i):
tokens = self.dataset[i]['tokens']
labels = self.dataset[i]['ner_tags']
return tokens, labels
if __name__ == '__main__':
# 测试编码工具
pretrained_model_name_or_path = r'L:/20230713_HuggingFaceModel/rbt3'
tokenizer = load_encode_tool(pretrained_model_name_or_path)
# 加载数据集
dataset = Dataset('train')
tokens, labels = dataset[0]
print(tokens, labels, dataset)
print(len(dataset))
输出结果如下所示：
['海', '钓', '比', '赛', '地', '点', '在', '厦', '门', '与', '金', '门', '之', '间', '的', '海', '域', '。'] [0, 0, 0, 0, 0, 0, 0, 5, 6, 0, 5, 6, 0, 0, 0, 0, 0, 0] <__main__.Dataset object at 0x0000027B01DC3940>
20865
其中，20865表示训练数据集的大小。在people_daily_ner数据集中，每条数据包括两个字段，即tokens和ner_tags，分别代表句子和标签，在__getitem__()函数中把这两个字段取出并返回即可。
3.定义计算设备
device = 'cpu'
if torch.cuda.is_available():
device = 'cuda'
print(device)
4.定义数据整理函数
def collate_fn(data):
tokens = [i[0] for i in data]
labels = [i[1] for i in data]
inputs = tokenizer.batch_encode_plus(tokens, # 文本列表
truncation=True, # 截断
padding=True, # [PAD]
max_length=512, # 最大长度
return_tensors='pt', # 返回pytorch张量
is_split_into_words=True) # 分词完成，无需再次分词
# 求一批数据中最长的句子长度
lens = inputs['input_ids'].shape[1]
# 在labels的头尾补充7，把所有的labels补充成统一的长度
for i in range(len(labels)):
labels[i] = [7] + labels[i]
labels[i] += [7] * lens
labels[i] = labels[i][:lens]
# 把编码结果移动到计算设备上
for k, v in inputs.items():
inputs[k] = v.to(device)
# 把统一长度的labels组装成矩阵，移动到计算设备上
labels = torch.tensor(labels).to(device)
return inputs, labels
形参data表示一批数据，主要是对句子和标签进行编码，这里会涉及到一个填充的问题。标签的开头和尾部填充7，因为0-6都有物理意义），而句子开头会被插入[CLS]标签。无论是句子还是标签，最终都被转换为矩阵。测试数据整理函数如下所示：
data = [
(
['海', '钓', '比', '赛', '地', '点', '在', '厦', '门', '与', '金', '门', '之', '间', '的', '海', '域', '。'], [0, 0, 0, 0, 0, 0, 0, 5, 6, 0, 5, 6, 0, 0, 0, 0, 0, 0]
),
(
['这', '座', '依', '山', '傍', '水', '的', '博', '物', '馆', '由', '国', '内', '一', '流', '的', '设', '计', '师', '主', '持', '设', '计', ',', '整', '个', '建', '筑', '群', '精', '美', '而', '恢', '宏', '。'],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
)]
inputs, labels = collate_fn(data)
for k, v in inputs.items():
print(k, v.shape)
print('labels', labels.shape)
输出结果如下所示：
input_ids torch.Size([2, 37])
token_type_ids torch.Size([2, 37])
attention_mask torch.Size([2, 37])
labels torch.Size([2, 37])
5.定义数据集加载器
loader = torch.utils.data.DataLoader(dataset=dataset, batch_size=16, collate_fn=collate_fn, shuffle=True, drop_last=True)
通过数据集加载器查看一批样例数据，如下所示：
for i, (inputs, labels) in enumerate(loader):
break
print(tokenizer.decode(inputs['input_ids'][0]))
print(labels[0])
for k, v in inputs.items():
print(k, v.shape)
输出结果如下所示：
[CLS] 这 种 输 液 器 不 必 再 悬 吊 药 瓶 ， 改 用 气 压 推 动 液 体 流 动 ， 自 闭 防 回 流 ， 安 全 、 简 便 、 抗 污 染 ， 堪 称 输 液 器 历 史 上 的 一 次 革 命 。 [SEP] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD]
tensor([7, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7,
7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7], device='cuda:0')
input_ids torch.Size([16, 87])
token_type_ids torch.Size([16, 87])
attention_mask torch.Size([16, 87])
三.定义模型
1.加载预训练模型
# 加载预训练模型
pretrained = AutoModel.from_pretrained(Path(f'{pretrained_model_name_or_path}'))
# 统计参数量
# print(sum(i.numel() for i in pretrained.parameters()) / 10000)
# 测试预训练模型
pretrained.to(device)
2.定义下游任务模型
先介绍一个两段式训练的概念，通常是先单独对下游任务模型进行训练，然后再连同预训练模型和下游任务模型一起进行训练的模式。
class Model(torch.nn.Module):
def __init__(self):
super().__init__()
# 标识当前模型是否处于tuning模式
self.tuning = False
# 当处于tuning模式时backbone应该属于当前模型的一部分，否则该变量为空
self.pretrained = None
# 当前模型的神经网络层
self.rnn = torch.nn.GRU(input_size=768, hidden_size=768, batch_first=True)
self.fc = torch.nn.Linear(in_features=768, out_features=8)
def forward(self, inputs):
# 根据当前模型是否处于tuning模式而使用外部backbone或内部backbone计算
if self.tuning:
out = self.pretrained(**inputs).last_hidden_state
else:
with torch.no_grad():
out = pretrained(**inputs).last_hidden_state
# backbone抽取的特征输入RNN网络进一步抽取特征
out, _ = self.rnn(out)
# RNN网络抽取的特征最后输入FC神经网络分类
out = self.fc(out).softmax(dim=2)
return out
# 切换下游任务模型的tuning模式
def fine_tuning(self, tuning):
self.tuning = tuning
# tuning模式时，训练backbone的参数
if tuning:
for i in pretrained.parameters():
i.requires_grad = True
pretrained.train()
self.pretrained = pretrained
# 非tuning模式时，不训练backbone的参数
else:
for i in pretrained.parameters():
i.requires_grad_(False)
pretrained.eval()
self.pretrained = None
（1）tuning表示当前模型是否处于微调模型，pretrained表示微调模式时预训练模型属于当前模型。
（2）在__init__()中定义了下游任务模型的2个层，分别为GRU网络和全连接神经网络层，GRU作用是进一步抽取特征，提高模型预测正确率。
（3）fine_tuning()用来切换训练模式pretrained.train()和评估模式pretrained.eval()。
四.训练和测试
1.模型训练
def train(epochs):
lr = 2e-5 if model.tuning else 5e-4 # 根据模型的tuning模式设置学习率
optimizer = AdamW(model.parameters(), lr=lr) # 优化器
criterion = torch.nn.CrossEntropyLoss() # 损失函数
scheduler = get_scheduler(name='linear', num_warmup_steps=0, num_training_steps=len(loader) * epochs, optimizer=optimizer) # 学习率衰减策略
model.train()
for epoch in range(epochs):
for step, (inputs, labels) in enumerate(loader):
# 模型计算
# [b,lens] -> [b,lens,8]
outs = model(inputs)
# 对outs和labels变形，并且移除PAD
# outs -> [b, lens, 8] -> [c, 8]
# labels -> [b, lens] -> [c]
outs, labels = reshape_and_remove_pad(outs, labels, inputs['attention_mask'])
# 梯度下降
loss = criterion(outs, labels) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新参数
scheduler.step() # 更新学习率
optimizer.zero_grad() # 清空梯度
if step % (len(loader) * epochs // 30) == 0:
counts = get_correct_and_total_count(labels, outs)
accuracy = counts[0] / counts[1]
accuracy_content = counts[2] / counts[3]
lr = optimizer.state_dict()['param_groups'][0]['lr']
print(epoch, step, loss.item(), lr, accuracy, accuracy_content)
torch.save(model, 'model/中文命名实体识别.model')
训练过程基本步骤如下所示：
（1）从数据集加载器中获取一个批次的数据。
（2）让模型计算预测结果。
（2）使用工具函数对预测结果和labels进行变形，移除预测结果和labels中的PAD。
（4）计算loss并执行梯度下降优化模型参数。
（5）每隔一定的steps，输出一次模型当前的各项数据，便于观察。
（6）每训练完一个epoch，将模型的参数保存到磁盘。
接下来介绍两段式训练过程，第一阶段是训练下游任务模型，第二阶段是联合训练下游任务模型和预训练模型如下所示：
# 两段式训练第一阶段，训练下游任务模型
model.fine_tuning(False)
# print(sum(p.numel() for p in model.parameters() / 10000))
train(1)
# 两段式训练第二阶段，联合训练下游任务模型和预训练模型
model.fine_tuning(True)
# print(sum(p.numel() for p in model.parameters() / 10000))
train(5)
2.模型测试
模型测试基本思路：从磁盘加载模型，然后切换到评估模式，将模型移动到计算设备，从测试集中取批次数据，输入模型中，统计正确率。
def test():
# 加载训练完的模型
model_load = torch.load('model/中文命名实体识别.model')
model_load.eval() # 切换到评估模式
model_load.to(device)
# 测试数据集加载器
loader_test = torch.utils.data.DataLoader(dataset=Dataset('validation'), batch_size=128, collate_fn=collate_fn, shuffle=True, drop_last=True)
correct = 0
total = 0
correct_content = 0
total_content = 0
# 遍历测试数据集
for step, (inputs, labels) in enumerate(loader_test):
# 测试5个批次即可，不用全部遍历
if step == 5:
break
print(step)
# 计算
with torch.no_grad():
# [b, lens] -> [b, lens, 8] -> [b, lens]
outs = model_load(inputs)
# 对outs和labels变形，并且移除PAD
# fouts -> [b, lens, 8] -> [c, 8]
# labels -> [b, lens] -> [c]
outs, labels = reshape_and_remove_pad(outs, labels, inputs['attention_mask'])
# 统计正确数量
counts = get_correct_and_total_count(labels, outs)
correct += counts[0]
total += counts[1]
correct_content += counts[2]
total_content += counts[3]
print(correct / total, correct_content / total_content)
3.预测任务
def predict():
# 加载模型
model_load = torch.load('model/中文命名实体识别.model')
model_load.eval()
model_load.to(device)
# 测试数据集加载器
loader_test = torch.utils.data.DataLoader(dataset=Dataset('validation'), batch_size=32, collate_fn=collate_fn, shuffle=True, drop_last=True)
# 取一个批次的数据
for i, (inputs, labels) in enumerate(loader_test):
break
# 计算
with torch.no_grad():
# [b, lens] -> [b, lens, 8] -> [b, lens]
outs = model_load(inputs).argmax(dim=2)
for i in range(32):
# 移除PAD
select = inputs['attention_mask'][i] == 1
input_id = inputs['input_ids'][i, select]
out = outs[i, select]
label = labels[i, select]
# 输出原句子
print(tokenizer.decode(input_id).replace(' ', ''))
# 输出tag
for tag in [label, out]:
s = ''
for j in range(len(tag)):
if tag[j] == 0:
s += '.'
continue
s += tokenizer.decode(input_id[j])
s += str(tag[j].item())
print(s)
print('=====================')
参考文献：
[1]HuggingFace自然语言处理详解：基于BERT中文模型的任务实战
[2]https://huggingface.co/hfl/rbt3
[3]https://huggingface.co/datasets/peoples_daily_ner/tree/main
[4]https://github.com/OYE93/Chinese-NLP-Corpus/
[5]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第10章：中文命名实体识别.py