自己动手实现一个神经网络中文分词模型
Posted stupidmedotme
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了自己动手实现一个神经网络中文分词模型相关的知识,希望对你有一定的参考价值。
原文链接:https://luozhouyang.github.io/deepseg
分词作为NLP的基础工作之一,对模型的效果有直接的影响。一个效果好的分词,可以让模型的性能更好。
在尝试使用神经网络来分词之前,我使用过jieba分词,以下是一些感受:
分词速度快
词典直接影响分词效果,对于特定领域的文本,词典不足,导致分词效果不尽人意
对于含有较多错别字的文本,分词效果很差
后面两点是其主要的缺点。根据实际效果评估,我发现使用神经网络分词,这两个点都有不错的提升。
本文将带你使用tensorflow实现一个基于BiLSTM+CRF的神经网络中文分词模型。
完整代码已经开源:https://github.com/luozhouyang/deepseg。
怎么做分词
分词的想法和NER十分接近,区别在于,NER对各种词打上对应的实体标签,而分词对各个字打上位置标签。
目前,项目一共只有以下5中标签:
B,处于一个词语的开始
M,处于一个词语的中间
E,处于一个词语的末尾
S,单个字
O,未知
举个更加详细的例子,假设我们有一个文本字符串:
'上','海','市','浦','东','新','区','张','东','路','1387','号'
它对应的分词结果应该是:
上海市 浦东新区 张东路 1387 号
所以,它的标签应该是:
'B','M','E','B','M','M','E','B','M','E','S','S'
所以,对于我们的分词模型来说,最重要的任务就是,对于输入序列的每一个token,打上一个标签,然后我们处理得到的标签数据,就可以得到分词效果。
用神经网络给序列打标签,方法肯定还有很多。目前项目使用的是双向LSTM网络后接CRF这样一个网络。这部分会在后面详细说明。
以上就是我们分词的做法概要,如你所见,网络其实很简单。
Estimator
项目使用tensorflow的estimator API完成,因为estimator是一个高级封装,我们只需要专注于核心的工作即可,并且它可以轻松实现分布式训练。如果你还没有尝试过,建议你试一试。
estimator的官方文档可以很好地帮助你入门: estimator
使用estimator构建网络,核心任务是:
构建一个高效的数据输入管道
构建你的神经网络模型
对于数据输入管道,本项目使用tensorflow的Dataset API,这也是官方推荐的方式。
具体来说,给estimator喂数据,需要实现一个input_fn
,这个函数不带参数,并且返回(features, labels)
元组。当然,对于PREDICT
模式,labels
为None
。
要构建神经网络给estimator,需要实现一个model_fn(features, labels, mode, params, config)
,返回一个tf.estimator.EstimatorSepc
对象。
更多的内容,请访问官方文档。
构建input_fn
首先,我们的数据输入需要分三种模式TRAIN
、EVAL
、PREDICT
讨论。
TRAIN
模式即模型的训练,这个时候使用的是数据集是训练集,需要返回(features,labels)
元组EVAL
模式即模型的评估,这个时候使用的是数据集的验证集,需要返回(features,labels)
元组PREDICT
模式即模型的预测,这个时候使用的数据集是测试集,需要返回(features,None)
元组
以上的features
和labels
可以是任意对象,比如dict
,或者是自己定义的python class
。实际上,比较推荐使用dict的方式,因为这种方式比较灵活,并且在你需要导出模型到serving的时候,特别有用。这一点会在后面进一步说明。
那么,接下来可以为上面三种模式分别实现我们的inpuf_fn
。
对于最常见的TRAIN
模式:
def build_train_dataset(params):
"""Build data for input_fn in training mode.
Args:
params: A dict
Returns:
A tuple of (features,labels).
"""
src_file = params['train_src_file']
tag_file = params['train_tag_file']
if not os.path.exists(src_file) or not os.path.exists(tag_file):
raise ValueError("train_src_file and train_tag_file must be provided")
src_dataset = tf.data.TextLineDataset(src_file)
tag_dataset = tf.data.TextLineDataset(tag_file)
dataset = _build_dataset(src_dataset, tag_dataset, params)
iterator = dataset.make_one_shot_iterator()
(src, src_len), tag = iterator.get_next()
features = {
"inputs": src,
"inputs_length": src_len
}
return features, tag
使用tensorflow的Dataset API很简单就可以构建出数据输入管道。首先,根据参数获取训练集文件,分别构建出一个tf.data.TextLineDataset
对象,然后构建出数据集。根据数据集的迭代器,获取每一批输入的(features,labels)
元组。每一次训练的迭代,这个元组都会送到model_fn
的前两个参数(features,labels,...)
中。
根据代码可以看到,我们这里的features
是一个dict
,每一个键都存放着一个Tensor
:
inputs
:文本数据构建出来的字符张量,形状是(None,None)
inputs_length
:文本分词后的长度张量,形状是(None)
而我们的labels
就是一个张量,具体是什么呢?需要看一下_build_dataset()
函数做了什么:
def _build_dataset(src_dataset, tag_dataset, params):
"""Build dataset for training and evaluation mode.
Args:
src_dataset: A `tf.data.Dataset` object
tag_dataset: A `tf.data.Dataset` object
params: A dict, storing hyper params
Returns:
A `tf.data.Dataset` object, producing features and labels.
"""
dataset = tf.data.Dataset.zip((src_dataset, tag_dataset))
if params['skip_count'] > 0:
dataset = dataset.skip(params['skip_count'])
if params['shuffle']:
dataset = dataset.shuffle(
buffer_size=params['buff_size'],
seed=params['random_seed'],
reshuffle_each_iteration=params['reshuffle_each_iteration'])
if params['repeat']:
dataset = dataset.repeat(params['repeat']).prefetch(params['buff_size'])
dataset = dataset.map(
lambda src, tag: (
tf.string_split([src], delimiter=",").values,
tf.string_split([tag], delimiter=",").values),
num_parallel_calls=params['num_parallel_call']
).prefetch(params['buff_size'])
dataset = dataset.filter(
lambda src, tag: tf.logical_and(tf.size(src) > 0, tf.size(tag) > 0))
dataset = dataset.filter(
lambda src, tag: tf.equal(tf.size(src), tf.size(tag)))
if params['max_src_len']:
dataset = dataset.map(
lambda src, tag: (src[:params['max_src_len']],
tag[:params['max_src_len']]),
num_parallel_calls=params['num_parallel_call']
).prefetch(params['buff_size'])
dataset = dataset.map(
lambda src, tag: (src, tf.size(src), tag),
num_parallel_calls=params['num_parallel_call']
).prefetch(params['buff_size'])
dataset = dataset.padded_batch(
batch_size=params.get('batch_size', 32),
padded_shapes=(
tf.TensorShape([None]),
tf.TensorShape([]),
tf.TensorShape([None])),
padding_values=(
tf.constant(params['pad'], dtype=tf.string),
0,
tf.constant(params['oov_tag'], dtype=tf.string)))
dataset = dataset.map(
lambda src, src_len, tag: ((src, src_len), tag),
num_parallel_calls=params['num_parallel_call']
).prefetch(params['buff_size'])
return dataset
虽然代码都很直白,在此还是总结一下以上数据处理的步骤:
跳过和随机打乱数据
根据
,
将文本序列和对应的标签切分开来过滤掉空的序列
限制序列的最大长度
增加序列的原始长度信息
对齐和批量
上述过程,最重要的就是padded_batch
这一步了。经过之前的处理,现在我们的数据包含以下三项信息:
src
,原始的字符序列,长度不定src_len
,原始字符序列的长度(切分后的列表的长度),长度固定,是一个标量tag
,序列对应的标签序列,长度不定
把数据喂入网络之前,我们需要对这些数据进行对齐操作。什么是对齐呢?顾名思义:在这一批数据中,找出最长序列的长度,以此为标准,如果序列比这个长度更短,则文本序列在末尾追加特殊标记(例如<PAD>
),标签序列在末尾追加标签的特殊标记(例如O
)。因为大家的长度都是不定的,所以要补齐多少个特殊标记也是不定的,所以padded_shapes
里面设置成tf.TensorShape([None])
即可,函数会自动计算长度的差值,然后进行补齐。
而src_len
一项是不需要对齐的,因为所有的src_len
都是一个scalar。
至此,TRAIN
模式下的数据输入准备好了。
EVAL
模式下的数据准备和TRAIN
模式一模一样,唯一的差别在于使用的数据集不一样,TRAIN
模式使用的是训练集,但是EVAL
使用的是验证集,所以只需要改一下文件即可。以下是EVAL
模式的数据准备过程:
def build_eval_dataset(params):
"""Build data for input_fn in evaluation mode.
Args:
params: A dict.
Returns:
A tuple of (features, labels).
"""
src_file = params['eval_src_file']
tag_file = params['eval_tag_file']
if not os.path.exists(src_file) or not os.path.exists(tag_file):
raise ValueError("eval_src_file and eval_tag_file must be provided")
src_dataset = tf.data.TextLineDataset(src_file)
tag_dataset = tf.data.TextLineDataset(tag_file)
dataset = _build_dataset(src_dataset, tag_dataset, params)
iterator = dataset.make_one_shot_iterator()
(src, src_len), tag = iterator.get_next()
features = {
"inputs": src,
"inputs_length": src_len
}
return features, tag
至于PREDICT
模式,稍微有点特殊,因为要对序列进行预测,我们是没有标签数据的。所以,我们的数据输入只有features
这一项,labels
这一项只能是None
。该模式下的数据准备如下:
def build_predict_dataset(params):
"""Build data for input_fn in predict mode.
Args:
params: A dict.
Returns:
A tuple of (features, labels), where labels are None.
"""
src_file = params['predict_src_file']
if not os.path.exists(src_file):
raise FileNotFoundError("File not found: %s" % src_file)
dataset = tf.data.TextLineDataset(src_file)
if params['skip_count'] > 0:
dataset = dataset.skip(params['skip_count'])
dataset = dataset.map(
lambda src: tf.string_split([src], delimiter=",").values,
num_parallel_calls=params['num_parallel_call']
).prefetch(params['buff_size'])
dataset = dataset.map(
lambda src: (src, tf.size(src)),
num_parallel_calls=params['num_parallel_call']
).prefetch(params['buff_size'])
dataset = dataset.padded_batch(
params.get('batch_size', 32),
padded_shapes=(
tf.TensorShape([None]),
tf.TensorShape([])),
padding_values=(
tf.constant(params['pad'], dtype=tf.string),
0))
iterator = dataset.make_one_shot_iterator()
(src, src_len) = iterator.get_next()
features = {
"inputs": src,
"inputs_length": src_len
}
return features, None
整体的思路差不多,值得注意的是,PREDICT
模式的数据不能够打乱数据。同样的进行对齐和分批之后,就可以通过迭代器获取到features
数据,然后返回(features,labels)
元组,其中labels=None
。
至此,我们的input_fn就实现了!
值得注意的是,estimator需要的input_fn
是一个没有参数的函数,我们这里的input_fn
是有参数的,那怎么办呢?用funtiontools
转化一下即可,更详细的内容请查看源码。
还有一个很重要的一点,很多项目都会在这个input_fn
里面讲字符序列转化成数字序列,但是我们没有这么做,而是依然保持是字符,为什么:
因为这样就可以把这个转化过程放到网络的构建过程中,这样的话,导出模型所需要的serving_input_receiver_fn
的构建就会很简单!
这一点详细地说明一下。如果我们把字符数字化放到网络里面去,那么我们导出模型所需要的serving_input_receiver_fn
就可以这样写:
def server_input_receiver_fn()
receiver_tensors{
"inputs": tf.placeholder(dtype=tf.string, shape=(None,None)),
"inputs_length": tf.placeholder(dtype=tf.int32, shape=(None))
}
features = receiver_tensors.copy()
return tf.estimator.export.ServingInputReceiver(
features=features,
receiver_tensors=receiver_tensors)
可以看到,我们在这里也不需要把接收到的字符张量数字化!
相反,如果我们在处理数据集的时候进行了字符张量的数字化,那就意味着构建网络的部分没有数字化这个步骤!所有喂给网络的数据都是已经数字化的!
这也就意味着,你的serving_input_receiver_fn
也需要对字符张量数字化!这样就会使得代码比较复杂!
说了这么多,其实就一点:
在
input_fn
里面不要把字符张量转化成数字张量!把这个过程放到网络里面去!
构建神经网络
接下来是最重要的步骤,即构建出我们的神经网络,也就是实现model_fn(features,labels,mode,params,config)
这个函数。
首先,我们的参数中的features
和labels
都是字符张量,老规矩,我们需要进行word embedding。代码很简单:
words = features['inputs']
nwords = features['inputs_length']
# a UNK token should placed in the first row in vocab file
words_str2idx = lookup_ops.index_table_from_file(
params['src_vocab'], default_value=0)
words_ids = words_str2idx.lookup(words)
training = mode == tf.estimator.ModeKeys.TRAIN
# embedding
with tf.variable_scope("embedding", reuse=tf.AUTO_REUSE):
variable = tf.get_variable(
"words_embedding",
shape=(params['vocab_size'], params['embedding_size']),
dtype=tf.float32)
embedding = tf.nn.embedding_lookup(variable, words_ids)
embedding = tf.layers.dropout(
embedding, rate=params['dropout'], training=training)
接下来,把词嵌入之后的数据,输入到一个双向LSTM网络:
# BiLSTM
with tf.variable_scope("bilstm", reuse=tf.AUTO_REUSE):
# transpose embedding for time major mode
inputs = tf.transpose(embedding, perm=[1, 0, 2])
lstm_fw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
lstm_bw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
(output_fw, output_bw), _ = tf.nn.bidirectional_dynamic_rnn(
cell_fw=lstm_fw,
cell_bw=lstm_bw,
inputs=inputs,
sequence_length=nwords,
dtype=tf.float32,
swap_memory=True,
time_major=True)
output = tf.concat([output_fw, output_bw], axis=-1)
output = tf.transpose(output, perm=[1, 0, 2])
output = tf.layers.dropout(
output, rate=params['dropout'], training=training)
BiLSTM出来的结果,接入一个CRF层:
logits = tf.layers.dense(output, params['num_tags'])
with tf.variable_scope("crf", reuse=tf.AUTO_REUSE):
variable = tf.get_variable(
"transition",
shape=[params['num_tags'], params['num_tags']],
dtype=tf.float32)
predict_ids, _ = tf.contrib.crf.crf_decode(logits, variable, nwords)
return logits, predict_ids
返回的logits
用来计算loss,更新权重。
损失计算如下:
def compute_loss(self, logits, labels, nwords, params):
"""Compute loss.
Args:
logits: A tensor, output of dense layer
labels: A tensor, the ground truth label
nwords: A tensor, length of inputs
params: A dict, storing hyper params
Returns:
A loss tensor, negative log likelihood loss.
"""
tags_str2idx = lookup_ops.index_table_from_file(
params['tag_vocab'], default_value=0)
actual_ids = tags_str2idx.lookup(labels)
# get transition matrix created before
with tf.variable_scope("crf", reuse=True):
trans_val = tf.get_variable(
"transition",
shape=[params['num_tags'], params['num_tags']],
dtype=tf.float32)
log_likelihood, _ = tf.contrib.crf.crf_log_likelihood(
inputs=logits,
tag_indices=actual_ids,
sequence_lengths=nwords,
transition_params=trans_val)
loss = tf.reduce_mean(-log_likelihood)
return loss
定义好了损失,我们就可以选择一个优化器来训练我们的网络啦。代码如下:
def build_train_op(self, loss, params):
global_step = tf.train.get_or_create_global_step()
if params['optimizer'].lower() == 'adam':
opt = tf.train.AdamOptimizer()
return opt.minimize(loss, global_step=global_step)
if params['optimizer'].lower() == 'momentum':
opt = tf.train.MomentumOptimizer(
learning_rate=params.get('learning_rate', 1.0),
momentum=params['momentum'])
return opt.minimize(loss, global_step=global_step)
if params['optimizer'].lower() == 'adadelta':
opt = tf.train.AdadeltaOptimizer()
return opt.minimize(loss, global_step=global_step)
if params['optimizer'].lower() == 'adagrad':
opt = tf.train.AdagradOptimizer(
learning_rate=params.get('learning_rate', 1.0))
return opt.minimize(loss, global_step=global_step)
# TODO(luozhouyang) decay lr
sgd = tf.train.GradientDescentOptimizer(
learning_rate=params.get('learning_rate', 1.0))
return sgd.minimize(loss, global_step=global_step)
当然,你还可以添加一些hooks
,比如在EVAL
模式下,添加一些统计:
def build_eval_metrics(self, predict_ids, labels, nwords, params):
tags_str2idx = lookup_ops.index_table_from_file(
params['tag_vocab'], default_value=0)
actual_ids = tags_str2idx.lookup(labels)
weights = tf.sequence_mask(nwords)
metrics = {
"accuracy": tf.metrics.accuracy(actual_ids, predict_ids, weights)
}
return metrics
至此,我们的网络构建完成。完整的model_fn
如下:
def model_fn(self, features, labels, mode, params, config):
words = features['inputs']
nwords = features['inputs_length']
# a UNK token should placed in the first row in vocab file
words_str2idx = lookup_ops.index_table_from_file(
params['src_vocab'], default_value=0)
words_ids = words_str2idx.lookup(words)
training = mode == tf.estimator.ModeKeys.TRAIN
# embedding
with tf.variable_scope("embedding", reuse=tf.AUTO_REUSE):
variable = tf.get_variable(
"words_embedding",
shape=(params['vocab_size'], params['embedding_size']),
dtype=tf.float32)
embedding = tf.nn.embedding_lookup(variable, words_ids)
embedding = tf.layers.dropout(
embedding, rate=params['dropout'], training=training)
# BiLSTM
with tf.variable_scope("bilstm", reuse=tf.AUTO_REUSE):
# transpose embedding for time major mode
inputs = tf.transpose(embedding, perm=[1, 0, 2])
lstm_fw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
lstm_bw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
(output_fw, output_bw), _ = tf.nn.bidirectional_dynamic_rnn(
cell_fw=lstm_fw,
cell_bw=lstm_bw,
inputs=inputs,
sequence_length=nwords,
dtype=tf.float32,
swap_memory=True,
time_major=True)
output = tf.concat([output_fw, output_bw], axis=-1)
output = tf.transpose(output, perm=[1, 0, 2])
output = tf.layers.dropout(
output, rate=params['dropout'], training=training)
logits, predict_ids = self.decode(output, nwords, params)
# TODO(luozhouyang) Add hooks
if mode == tf.estimator.ModeKeys.PREDICT:
predictions = self.build_predictions(predict_ids, params)
prediction_hooks = []
export_outputs = {
'export_outputs': tf.estimator.export.PredictOutput(predictions)
}
return tf.estimator.EstimatorSpec(
mode=mode,
predictions=predictions,
export_outputs=export_outputs,
prediction_hooks=prediction_hooks)
loss = self.compute_loss(logits, labels, nwords, params)
if mode == tf.estimator.ModeKeys.EVAL:
metrics = self.build_eval_metrics(
predict_ids, labels, nwords, params)
eval_hooks = []
return tf.estimator.EstimatorSpec(
mode=mode,
loss=loss,
eval_metric_ops=metrics,
evaluation_hooks=eval_hooks)
if mode == tf.estimator.ModeKeys.TRAIN:
train_op = self.build_train_op(loss, params)
train_hooks = []
return tf.estimator.EstimatorSpec(
mode=mode,
loss=loss,
train_op=train_op,
training_hooks=train_hooks)
还是推荐去看源码。
模型的训练、估算、预测和导出
接下来就是训练、估算、预测或者导出模型了。这个过程也很简单,因为使用的是estimator API,所以这些步骤都很简单。
项目中创建了一个Runner
类来做这些事情。具体代码请到项目页面。
如果你要训练模型:
python -m deepseg.runner \
--params_file=deepseg/example_params.json \
--mode=train
或者:
python -m deepseg.runner \
--params_file=deepseg/example_params.json \
--mode=train_and_eval
如果你要使用训练的模型进行预测:
python -m deepseg.runner \
--params_file=deepseg/example_params.json \
--mode=predict
如果你想导出训练好的模型,部署到tf serving上面:
python -m deepseg.runner \
--params_file=deepseg/example_params.json \
--mode=export
以上步骤,所有的参数都在example_params.json
文件中,根据需要进行修改即可。
另外,本身的代码也相对简单,如果不满足你的需求,可以直接修改源代码。
根据预测结果得到分词
还有一点点小的提示,模型预测返回的结果是np.ndarray
,需要将它转化成字符串数组。代码也很简单,就是用UTF-8
去解码bytes
而已。
拿预测返回结果的predict_tags
为例,你可以这样转换:
def convert_prediction_tags_to_string(prediction_tags):
"""Convert np.ndarray prediction_tags of output of prediction to string.
Args:
prediction_tags: A np.ndarray object, value of prediction['prediction_tags']
Returns:
A list of string predictions tags
"""
return " ".join([t.decode('utf8') for t in prediction_tags])
如果你想对文本序列进行分词,目前根据以上处理,你得到了预测的标签序列,那么要得到分词的结果,只需要根据标签结果处理一下原来的文本序列即可:
def segment_by_tag(sequences, tags):
"""Segment string sequence by it's tags.
Args:
sequences: A two dimension source string list
tags: A two dimension tag string list
Returns:
A list of segmented string.
"""
results = []
for seq, tag in zip(sequences, tags):
if len(seq) != len(tag):
raise ValueError("The length of sequence and tags are different!")
result = []
for i in range(len(tag)):
result.append(seq[i])
if tag[i] == "E" or tag[i] == "S":
result.append(" ")
results.append(result)
return results
举个具体的例子吧,如果你有一个序列:
sequence = [
['上', '海', '市', '浦', '东', '新', '区', '张', '东', '路', '1387', '号'],
['上', '海', '市', '浦', '东', '新', '区', '张', '衡', '路', '333', '号']
]
你想对这个序列进行分词处理,那么经过我们的神经网络,你得到以下标签序列:
tags = [
['B', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'E', 'S', 'S'],
['B', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'E', 'S', 'S']
]
那么,怎么得到分词结果呢?就是利用上面的segment_by_tag
函数即可。
得到的分词结果如下:
上海市 浦东新区 张东路 1387 号
上海市 浦东新区 张衡路 333 号
以上就是所有内容了!
如果你有任何疑问,可以和我交流!
以上是关于自己动手实现一个神经网络中文分词模型的主要内容,如果未能解决你的问题,请参考以下文章