【人工智能】Transformers之Pipeline（二十）：令牌分类（token-classification）

一、引言

pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型

今天介绍NLP自然语言处理的第八篇：令牌分类（token-classification），在huggingface库内有2万个文本生成（text-generation）模型。

二、令牌分类（token-classification）

2.1 概述

标记分类是一种自然语言理解任务，其中为文本中的某些标记分配标签。一些流行的标记分类子任务是命名实体识别 (NER) 和词性 (PoS) 标记。可以训练 NER 模型来识别文本中的特定实体，例如日期、个人和地点；而 PoS 标记可以识别文本中的哪些词是动词、名词和标点符号。

2.2 Facebook AI/XLM-RoBERTa

XLM-RoBERTa 是 RoBERTa 的多语言版本。它已在包含 100 种语言的 2.5TB 经过筛选的 CommonCrawl 数据上进行了预训练。

RoBERTa 是一个以自监督方式在大型语料库上进行预训练的 transformers 模型。这意味着它只在原始文本上进行预训练，没有任何人工标记（这就是它可以使用大量公开数据的原因），并有一个自动流程从这些文本中生成输入和标签。

更准确地说，它是使用掩码语言建模 (MLM) 目标进行预训练的。以一个句子为例，该模型随机屏蔽输入中的 15% 的单词，然后通过模型运行整个被屏蔽的句子，并必须预测被屏蔽的单词。这与通常一个接一个地看到单词的传统循环神经网络 (RNN) 或内部屏蔽未来标记的 GPT 等自回归模型不同。它允许模型学习句子的双向表示。

通过这种方式，模型可以学习 100 种语言的内部表征，然后可以使用这些表征提取对下游任务有用的特征：例如，如果您有一个带标签的句子数据集，则可以使用 XLM-RoBERTa 模型生成的特征作为输入来训练标准分类器。

2.3 pipeline参数

2.3.1 pipeline对象实例化参数

• model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。
• tokenizer ( PreTrainedTokenizer ) — 管道将使用其对模型的数据进行编码的 tokenizer。此对象继承自 PreTrainedTokenizer。
• modelcard（str或ModelCard，可选） — 属于此管道模型的模型卡。
• framework（str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。 如果未指定框架，则默认为当前安装的框架。如果未指定框架且安装了两个框架，则默认为 的框架model，如果未提供模型，则默认为 PyTorch。
• task（str，默认为""）— 管道的任务标识符。
• num_workers（int，可选，默认为 8）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。
• batch_size（int，可选，默认为 1）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。
• args_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。
• device（int，可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太
• torch_dtype（str或torch.dtype，可选） - 直接发送model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（torch.float16，，torch.bfloat16...或"auto"）
• binary_output（bool，可选，默认为False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。
• ignore_labels（List[str]，默认为["O"]）— 要忽略的标签列表。
• grouped_entities ( bool，可选，默认为False) — 已弃用，请使用aggregation_strategy。是否在预测中将与同一实体相对应的标记分组在一起。
• stride（int，可选）— 如果提供了 stride，则管道将应用于所有文本。文本被拆分为大小为 model_max_length 的块。仅适用于快速标记器，与aggregation_strategy不同NONE。此参数的值定义块之间重叠标记的数量。换句话说，模型将tokenizer.model_max_length - stride每一步向前移动标记。
• aggregation_strategy（str，可选，默认为"none"）—根据模型预测融合（或不融合）标记的策略。
  • “none” ：不会进行任何聚合，仅返回模型的原始结果
  • “simple” ：将尝试按照默认模式对实体进行分组。 (A, B-TAG), (B, I​​-TAG), (C, I-TAG), (D, B-TAG2) (E, B-TAG2) 最终将变为 [{“word”: ABC, “entity”: “TAG”}, {“word”: “D”, “entity”: “TAG2”}, {“word”: “E”, “entity”: “TAG2”}] 请注意，两个连续的 B 标签最终将成为不同的实体。 在基于单词的语言中，我们可能会不合需要地拆分单词：想象一下 Microsoft 被标记为 [{“word”: “Micro”, “entity”: “ENTERPRISE”}, {“word”: “soft”, “entity”: “NAME”}]。 寻找 FIRST、MAX、AVERAGE 来缓解这种情况并消除单词歧义（在支持该含义的语言上，基本上是用空格分隔的标记）。这些缓解措施只对真实的词语起作用，“纽约”可能仍然被标记为两个不同的实体。
  • “first” ：（仅适用于基于单词的模型）将使用SIMPLE除了单词之外的策略，不能以不同的标签结尾。当存在歧义时，单词将简单地使用单词的第一个标记的标签。
  • “average” ：（仅适用于基于单词的模型）将使用SIMPLE除单词之外的策略，不能以不同的标签结束。分数将首先在标记之间取平均值，然后应用最大标签。
  • “max” ：（仅适用于基于单词的模型）将使用SIMPLE除单词之外的策略，不能以不同的标签结尾。单词实体将只是具有最高分数的标记。

2.3.2 pipeline对象使用参数

• text_inputs（str，List[str]，List[Dict[str, str]]，或List[List[Dict[str, str]]]）— 需要完成的一个或多个提示（或一个提示列表）。如果传递了字符串或字符串列表，则此管道将继续每个提示。或者，可以传递“聊天”（以带有“role”和“content”键的字典列表的形式），或传递此类聊天的列表。传递聊天时，将使用模型的聊天模板对其进行格式化，然后再将其传递给模型。
• return_tensors ( bool，可选，默认为False) — 是否在输出中返回预测的张量（作为标记索引）。如果设置为 True，则不返回解码后的文本。
• return_text（bool，可选，默认为True）— 是否在输出中返回解码后的文本。
• return_full_text（bool，可选，默认为True）— 如果设置为，False则仅返回添加的文本，否则返回全文。仅当 return_text设置为 True 时才有意义。
• clean_up_tokenization_spaces（bool，可选，默认为True）—是否清理文本输出中可能出现的额外空格。
• prefix（str，可选）— 添加到提示的前缀。
• handle_long_generation（str，可选）— 默认情况下，此管道不处理长生成（以某种形式超出模型最大长度的生成）。
• generate_kwargs（dict，可选）——传递给模型的生成方法的附加关键字参数（请参阅此处与您的框架相对应的生成方法）。

2.3.3 pipeline返回参数 ​​​​​​​​​​​​​​

• word ( str) — 分类的标记/单词。这是通过解码选定的标记获得的。如果您想要获得原始句子中的精确字符串，请使用start和end。
• score（float）—— 的对应概率entity。
• entity ( str) — 为该标记/单词预测的实体（当 aggregation_strategy不是时，它被命名为entity_group）。"none"
• index（int，仅当存在时aggregation_strategy="none"）——句子中对应标记的索引。
• start（int，可选）— 句子中相应实体的起始索引。仅当标记器中的偏移量可用时才存在
• end（int，可选）— 句子中相应实体的结尾索引。仅当标记器中的偏移量可用时才存在

2.4 pipeline实战

基于pipeline的token-classification任务，使用FacebookAI/xlm-roberta模型：

import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

from transformers import pipeline
classifier = pipeline("ner", model= "xlm-roberta-large-finetuned-conll03-english" )
output=classifier("Alya told Jasmine that Andrew could pay with cash..")
print(output)

执行后，自动下载模型文件并进行识别：

​

2.5 模型排名

在huggingface上，我们将令牌分类（token-classification）模型按下载量从高到低排序，总计2万个模型，文中FacebookAI的xlm-roberta排名第一。

​

三、总结

本文对transformers之pipeline的令牌分类（token-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用NLP中的令牌分类（token-classification）模型。