用深度学习做命名实体识别——模型训练

Posted 2022-10-10 anai

通过本文你将了解如何训练一个人名、地址、组织、公司、产品、时间，共6个实体的命名实体识别模型。

准备训练样本

下面的链接中提供了已经用brat标注好的数据文件以及brat的配置文件，因为标注内容较多放到brat里加载会比较慢，所以拆分成了10份，每份包括3000多条样本数据，将这10份文件和相应的配置文件放到brat目录/data/project路径下，然后就可以从浏览器访问文件内容以及相应的标注情况了。

• 链接：https://pan.baidu.com/s/1-wjQnvCSrbhor9x3GD6WSA?

• 提取码：99z3

如果你还不知道什么是brat，或还不清楚如何使用brat，强烈建议先阅读前两篇文章《用深度学习做命名实体识别(二)：文本标注工具brat》、《用深度学习做命名实体识别(三)：文本数据标注过程》。

标注数据虽然有了，但是还不能满足我们的训练要求，因为我们需要根据ann和txt，将其转成训练所需的数据格式，格式如下：

可以看到，每一行一个字符，字符后面跟上空格，然后跟上该字符的标注，?每个样本之间用空行分隔。
另外，也可以看到这里采用的是BIO的标注方式：

• B，即Begin，表示开始
• I，即Intermediate，表示中间
• O，即Other，表示其他，用于标记无关字符

转换代码如下：

# -*- coding: utf-8 -*-

"""
数据格式转化
"""
import codecs
import os

__author__ = '程序员一一涤生'

tag_dic = "时间": "TIME",
           "地点": "LOCATION",
           "人名": "PERSON_NAME",
           "组织名": "ORG_NAME",
           "公司名": "COMPANY_NAME",
           "产品名": "PRODUCT_NAME"


# 转换成可训练的格式，最后以"END O"结尾
def from_ann2dic(r_ann_path, r_txt_path, w_path):
    q_dic = 
    print("开始读取文件:%s" % r_ann_path)
    with codecs.open(r_ann_path, "r", encoding="utf-8") as f:
        line = f.readline()
        line = line.strip("\n\r")
        while line != "":
            line_arr = line.split()
            print(line_arr)
            cls = tag_dic[line_arr[1]]
            start_index = int(line_arr[2])
            end_index = int(line_arr[3])
            length = end_index - start_index
            for r in range(length):
                if r == 0:
                    q_dic[start_index] = ("B-%s" % cls)
                else:
                    q_dic[start_index + r] = ("I-%s" % cls)
            line = f.readline()
            line = line.strip("\n\r")

    print("开始读取文件:%s" % r_txt_path)
    with codecs.open(r_txt_path, "r", encoding="utf-8") as f:
        content_str = f.read()
        # content_str = content_str.replace("\n", "").replace("\r", "").replace("//////", "\n")
    print("开始写入文本%s" % w_path)
    with codecs.open(w_path, "w", encoding="utf-8") as w:
        for i, str in enumerate(content_str):
            if str is " " or str == "" or str == "\n" or str == "\r":
                print("===============")
            elif str == "/":
                if i == len(content_str) - len("//////") + 1:  # 表示到达末尾
                    # w.write("\n")
                    break
                # 连续六个字符首尾都是/,则表示换一行
                elif content_str[i + len("//////") - 1] == "/" and content_str[i + len("//////") - 2] == "/" and                         content_str[i + len("//////") - 3] == "/" and content_str[i + len("//////") - 4] == "/" and                         content_str[i + len("//////") - 5] == "/":
                    w.write("\n")
                    i += len("//////")
            else:
                if i in q_dic:
                    tag = q_dic[i]
                else:
                    tag = "O"  # 大写字母O
                w.write('%s %s\n' % (str, tag))
        w.write('%s\n' % "END O")


# 去除空行
def drop_null_row(r_path, w_path):
    q_list = []
    with codecs.open(r_path, "r", encoding="utf-8") as f:
        line = f.readline()
        line = line.strip("\n\r")
        while line != "END O":
            if line != "":
                q_list.append(line)
            line = f.readline()
            line = line.strip("\n\r")
    with codecs.open(w_path, "w", encoding="utf-8") as w:
        for i, line in enumerate(q_list):
            w.write('%s\n' % line)


# 生成train.txt、dev.txt、test.txt
# 除8，9-new.txt分别用于dev和test外,剩下的合并成train.txt
def rw0(data_root_dir, w_path):
    if os.path.exists(w_path):
        os.remove(w_path)
    for file in os.listdir(data_root_dir):
        path = os.path.join(data_root_dir, file)
        if file.endswith("8-new.txt"):
            # 重命名为dev.txt
            os.rename(path, os.path.join(data_root_dir, "dev.txt"))
            continue
        if file.endswith("9-new.txt"):
            # 重命名为test.txt
            os.rename(path, os.path.join(data_root_dir, "test.txt"))
            continue
        q_list = []
        print("开始读取文件:%s" % file)
        with codecs.open(path, "r", encoding="utf-8") as f:
            line = f.readline()
            line = line.strip("\n\r")
            while line != "END O":
                q_list.append(line)
                line = f.readline()
                line = line.strip("\n\r")
        print("开始写入文本%s" % w_path)
        with codecs.open(w_path, "a", encoding="utf-8") as f:
            for item in q_list:
                if item.__contains__('\ufeff1'):
                    print("===============")
                f.write('%s\n' % item)


if __name__ == '__main__':
    data_dir = "datas"
    for file in os.listdir(data_dir):
        if file.find(".") == -1:
            continue
        file_name = file[0:file.find(".")]
        r_ann_path = os.path.join(data_dir, "%s.ann" % file_name)
        r_txt_path = os.path.join(data_dir, "%s.txt" % file_name)
        w_path = "%s/new/%s-new.txt" % (data_dir, file_name)
        from_ann2dic(r_ann_path, r_txt_path, w_path)
    # 生成train.txt、dev.txt、test.txt
    rw0("%s/new" % data_dir, "%s/new/train.txt" % data_dir)

注意把该代码文件和datas目录放在一级，然后把从云盘下载的10个标注数据文件放在datas目录下，然后再执行上面的代码，执行完成后，会在datas/new目录下生成一些文件，我们要的是其中的train、dev、test三个txt文件。

ok，到此我们的训练数据就准备好了，接下来我们需要准备预训练模型。

准备预训练模型

使用预训练模型做微调的训练方式称为迁移学习，不太明白什么意思也没关系，只要知道这样做可以让我们的训练收敛的更快，并且可以使得在较少的训练样本上训练也能得到不错的效果。这里我们将使用目前最好的自然语言表征模型之一的bert的中文预训练模型。如果你还不清楚bert，也没关系，这里你只要知道使用bert可以得到比word2vec(词向量)更好的表征即可。

bert在中文维基百科上预训练的模型下载地址：

https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip

下载下来，解压后会看到如下几个文件：

这里我们已经将bert_model.ckpt.data-00000-of-00001文件复制一份，命名为bert_model.ckpt，所以多了一个bert_model.ckpt文件。因为不这样做的话，后续的训练会报错，找不到ckpt。

以上工作都完成后，就可以进入训练环节了。

准备训练环境

强烈建议使用GPU来训练，否则你会疯的。关于GPU环境的搭建可以参考这篇文章《如何在阿里云租一台GPU服务器做深度学习？》。

训练

本文的模型训练参考的是github上一个开源的项目，该项目是基于bert+crf算法来训练命名实体模型的，比基于lstm+crf的项目的效果要好，下面是该项目的地址：

https://github.com/macanv/BERT-BiLSTM-CRF-NER

笔者基于该项目做了一些代码修改，修改的目的如下：

• 原来的项目是采用install的方式直接将项目安装到你的python虚拟环境下，然后通过命令行执行训练，笔者直接调整了源代码，为了可以基于源代码执行一些调试；
• 原来的项目训练的时候几乎没有日志信息，修改后的项目可以看到训练日志；
• 原来的项目只能在训练结束后输出评估结果，修改后的项目可以让评估脱离训练过程独立进行。

修改后的项目地址：

• 链接：https://pan.baidu.com/s/1Bht_-K9i-7WUbXdvG4sdpg

• 提取码：sibq

修改后的项目下载下来解压后，需要做3件事情：

1. 将之前下载的bert预训练模型chinese_L-12_H-768_A-12目录以及目录中的文件放到项目的models目录下。
2. 将之前准备的train、dev、test三个文件放到person_data目录下。
3. 为该项目新建一个python的虚拟环境，然后安装所需要的依赖包，关于需要哪些依赖包，项目中的requirement.txt是这么描述的：
   
   tensorflow的安装，因为我们是在GPU上训练，所以只需要安装tensorflow-gpu，笔者安装的是tensorflow1.13.1版本，因为笔者的CUDA版本是10.0。

接下来，执行以下命令进行训练：
nohup python bert_lstm_ner.py -max_seq_length 500 -batch_size 2 -learning_rate 2e-5 -num_train_epochs 3.0 -filter_adam_var True -verbose -data_dir person_data -output_dir output -init_checkpoint models/chinese_L-12_H-768_A-12/bert_model.ckpt -bert_config_file models/chinese_L-12_H-768_A-12/bert_config.json -vocab_file models/chinese_L-12_H-768_A-12/vocab.txt >log.out 2>&1 &

让我们对命令中的参数做一些解释：

• nohup
  使用nohup命令，可以保证在命令窗口被关闭，或远程链接中断的情况下，不影响远端python程序的执行。python程序执行过程中的日志信息会保存在当前文件夹下的log.out文件中。
• max_seq_length
  每个样本的最大长度，不能超过512。如果你的某些样本超过了这个长度，需要截断。截断代码可以使用项目根路径下的data_process.py文件。
• batch_size
  每次送到模型进行训练的样本数量。一般是2幂次方。如果你的GPU显存够大，可以尝试增大batch_size。
• learning_rate
  初始学习率，用于调整模型的学习速度，过大过小都不好。刚开始训练时：学习率以 0.01 ~ 0.001 为宜。接近训练结束：学习速率的衰减应该在100倍以上。这里因为我们采用的是迁移学习，由于预模型本身已经在原始数据集上收敛，此时学习率应该设置的较小，所以这里设置成0.00002。
• num_train_epochs
  每次用完所有样本后，记为一个epoch。这里是指设置多少个epoch后训练结束。
• filter_adam_var
  保存训练模型的时候是否过滤掉Adam的参数，默认为False。设置为True可以减小模型的大小。
• verbose
  加上该参数就会打开tensorflow的日志。
• data_dir
  train、dev、test数据所在的目录。
• output_dir
  模型输出目录。
• init_checkpoint
  预训练模型的路径，这里我们使用了bert的中文预训练模型。
• bert_config_file
  bert模型的配置文件所在路径。
• vocab_file
  bert的词汇表文件路径。

开始训练后，通过以下命令查看训练过程的日志信息：
tail -f log.out
下图截取自训练结束后的部分输出日志：

可以看到评估损失值降到了0.04862。

训练会持续3个多小时（在一块Nvidia Geforce RTX2060 GPU上），结束后，会看到对test.txt样本进行测试的结果：

测试

每训练500步，程序会在output目录下保存一个模型文件，我们可以通过修改output目录下的checkpoint文件来指定要用来测试的模型文件。

然后执行如下命令来对test.txt中的内容进行测试(注意bert_lstm_ner-test.py中的配置要和训练时指定的参数配置一致)：
python bert_lstm_ner-test.py

测试输出的结果和上面训练完成后输出的结果的格式是一样的。如果你按照本文的步骤，完整的走到这里了，那么你已经有了一个可以识别?人名、地址、组织、公司、产品、时间，共6个实体的命名实体识别模型，下一篇文章《用深度学习做命名实体识别(五)：模型使用》将介绍如何使用这个模型来提供一个rest风格的实体识别接口，对该接口传入一个句子参数，接口会返回句子中的人名、地址、组织、公司、产品、时间信息。

ok，本篇就这么多内容啦~，感谢阅读O(∩_∩)O，88~

名句分享

---

勿以小恶弃人大美，勿以小怨忘人大恩。——曾国藩

为您推荐

---

pycharm2019和idea2019版永久激活
手把手教你用深度学习做物体检测(一)： 快速感受物体检测的酷炫

本博客内容来自公众号“程序员一一涤生”，欢迎扫码关注 o(∩_∩)o