赞
踩
最后一天咯,做第四部分。
在实现CRF后,我们设计一个双向LSTM+CRF的模型来进行命名实体识别任务的训练。模型结构如下:
nn.Embedding -> nn.LSTM -> nn.Dense -> CRF
其中LSTM提取序列特征,经过Dense层变换获得发射概率矩阵,最后送入CRF层。具体实现如下:
# 定义双向LSTM结合CRF的序列标注模型 class BiLSTM_CRF(nn.Cell): def __init__(self, vocab_size, embedding_dim, hidden_dim, num_tags, padding_idx=0): """ 初始化BiLSTM_CRF模型。 参数: vocab_size: 词汇表大小。 embedding_dim: 词嵌入维度。 hidden_dim: LSTM隐藏层维度。 num_tags: 标签种类数量。 padding_idx: 填充索引,默认为0。 """ super().__init__() # 初始化词嵌入层 self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx=padding_idx) # 初始化双向LSTM层 self.lstm = nn.LSTM(embedding_dim, hidden_dim // 2, bidirectional=True, batch_first=True) # 初始化从LSTM输出到标签的全连接层 self.hidden2tag = nn.Dense(hidden_dim, num_tags, 'he_uniform') # 初始化条件随机场层 self.crf = CRF(num_tags, batch_first=True) def construct(self, inputs, seq_length, tags=None): """ 模型的前向传播方法。 参数: inputs: 输入序列,形状为(batch_size, seq_length)。 seq_length: 序列长度,形状为(batch_size,)。 tags: 真实标签,形状为(batch_size, seq_length),可选。 返回: crf_outs: CRF层的输出,如果输入了真实标签则为损失值,否则为解码后的标签序列。 """ # 通过词嵌入层获取词向量表示 embeds = self.embedding(inputs) # 通过双向LSTM层获取序列特征 outputs, _ = self.lstm(embeds, seq_length=seq_length) # 通过全连接层转换LSTM输出到标签空间 feats = self.hidden2tag(outputs) # 通过CRF层计算损失或解码 crf_outs = self.crf(feats, tags, seq_length) return crf_outs
完成模型设计后,我们生成两句例子和对应的标签,并构造词表和标签表。
# 设置词嵌入维度和隐藏层维度 embedding_dim = 16 hidden_dim = 32 # 定义训练数据集,每条数据包含一个分词后的句子和相应的实体标签 training_data = [ ( "清 华 大 学 坐 落 于 首 都 北 京".split(), # 分词后的句子 "B I I I O O O O O B I".split() # 相应的实体标签 ), ( "重 庆 是 一 个 魔 幻 城 市".split(), # 分词后的句子 "B I O O O O O O O".split() # 相应的实体标签 ) ] # 初始化词典,用于映射词到索引 word_to_idx = {} # 添加特殊填充词到词典 word_to_idx['<pad>'] = 0 # 遍历训练数据,构建词到索引的映射 for sentence, tags in training_data: for word in sentence: # 如果词不在词典中,则添加到词典 if word not in word_to_idx: word_to_idx[word] = len(word_to_idx) # 初始化标签到索引的映射 tag_to_idx = {"B": 0, "I": 1, "O": 2}
len(word_to_idx)
接下来实例化模型,选择优化器并将模型和优化器送入Wrapper。
由于CRF层已经进行了NLLLoss的计算,因此不需要再设置Loss。
# 实例化BiLSTM_CRF模型,传入词汇表大小、词嵌入维度、隐藏层维度以及标签种类数量
model = BiLSTM_CRF(len(word_to_idx), embedding_dim, hidden_dim, len(tag_to_idx))
# 初始化随机梯度下降优化器,设置学习率为0.01,权重衰减为1e-4
optimizer = nn.SGD(model.trainable_params(), learning_rate=0.01, weight_decay=1e-4)
# 使用MindSpore的value_and_grad函数创建一个函数,它会同时计算模型的损失值和梯度 # 第二个参数设置为None表示不保留反向图,第三个参数是优化器的参数列表 grad_fn = ms.value_and_grad(model, None, optimizer.parameters) def train_step(data, seq_length, label): """ 训练步骤函数,执行一次前向传播和反向传播更新模型参数。 参数: data: 输入数据,形状为(batch_size, seq_length)。 seq_length: 序列长度,形状为(batch_size,)。 label: 真实标签,形状为(batch_size, seq_length)。 返回: loss: 当前批次的损失值。 """ # 使用grad_fn计算损失值和梯度 loss, grads = grad_fn(data, seq_length, label) # 使用优化器更新模型参数 optimizer(grads) # 返回损失值 return loss
将生成的数据打包成Batch,按照序列最大长度,对长度不足的序列进行填充,分别返回输入序列、输出标签和序列长度构成的Tensor。
def prepare_sequence(seqs, word_to_idx, tag_to_idx): """ 准备序列数据,包括填充和转换成张量。 参数: seqs: 一个包含句子和对应标签的元组列表。 word_to_idx: 词到索引的映射字典。 tag_to_idx: 标签到索引的映射字典。 返回: seq_outputs: 填充后的序列数据张量。 label_outputs: 填充后的标签数据张量。 seq_length: 序列的真实长度列表。 """ seq_outputs, label_outputs, seq_length = [], [], [] # 获取最长序列长度 max_len = max([len(i[0]) for i in seqs]) for seq, tag in seqs: # 记录序列的真实长度 seq_length.append(len(seq)) # 将序列中的词转换为索引 idxs = [word_to_idx[w] for w in seq] # 将标签转换为索引 labels = [tag_to_idx[t] for t in tag] # 对序列进行填充 idxs.extend([word_to_idx['<pad>'] for i in range(max_len - len(seq))]) # 对标签进行填充,用'O'的索引填充 labels.extend([tag_to_idx['O'] for i in range(max_len - len(seq))]) # 添加填充后的序列和标签到列表 seq_outputs.append(idxs) label_outputs.append(labels) # 将列表转换为MindSpore张量 return ms.Tensor(seq_outputs, ms.int64), \ ms.Tensor(label_outputs, ms.int64), \ ms.Tensor(seq_length, ms.int64)
# 调用prepare_sequence函数处理训练数据,并获取处理后的数据、标签和序列长度
data, label, seq_length = prepare_sequence(training_data, word_to_idx, tag_to_idx)
# 打印处理后的数据、标签和序列长度的形状,以确认数据转换是否正确
print(data.shape, label.shape, seq_length.shape)
对模型进行预编译后,训练500个step。
训练流程可视化依赖
tqdm
库,可使用pip install tqdm
命令安装。
from tqdm import tqdm # 定义训练步骤的总数,用于进度条的设置 steps = 500 # 使用tqdm创建一个进度条,总进度为steps with tqdm(total=steps) as t: for i in range(steps): # 执行单步训练,这里假设train_step是一个已定义的训练函数 # 参数data为训练数据,seq_length为序列长度,label为标签 loss = train_step(data, seq_length, label) # 更新进度条的附带信息,显示当前的损失值 t.set_postfix(loss=loss) # 更新进度条,表示完成了一步训练 t.update(1)
最后我们来观察训练500个step后的模型效果,首先使用模型预测可能的路径得分以及候选序列。
# 调用模型进行预测或评估,返回得分和历史记录
score, history = model(data, seq_length)
# 输出得分,用于查看模型的表现或决策
score
使用后处理函数进行预测得分的后处理。
predict = post_decode(score, history, seq_length)
predict
最后将预测的index序列转换为标签序列,打印输出结果,查看效果。
# 通过索引和标签的映射关系,构建标签到索引的反向映射 idx_to_tag = {idx: tag for tag, idx in tag_to_idx.items()} def sequence_to_tag(sequences, idx_to_tag): """ 将序列中的索引转换为对应的标签。 参数: sequences: 一个包含标签索引的序列列表。 idx_to_tag: 一个字典,用于将索引映射到对应的标签。 返回: 一个列表,其中每个元素是输入序列中索引转换为标签后的结果。 """ # 初始化一个空列表,用于存储转换后的标签序列 outputs = [] # 遍历输入的序列列表 for seq in sequences: # 对每个序列,将索引转换为标签,并添加到输出列表中 outputs.append([idx_to_tag[i] for i in seq]) # 返回转换后的标签序列列表 return outputs
sequence_to_tag(predict, idx_to_tag)
打卡照片:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。