[Python人工智能] 二十七.基于BiLSTM-CRF的医学命名实体识别研究（下）模型构建
【摘要】 实体是知识图谱最重要的组成，命名实体识别（Named Entity Recognition，NER）对于知识图谱构建具有很重要意义。命名实体是一个词或短语，它可以在具有相似属性的一组事物中清楚地标识出某一个事物。命名实体识别（NER）则是指在文本中定位命名实体的边界并分类到预定义类型集合的过程。本文介绍了基于BiLSTM+CRF的医学命名实体识别研究，希望对您有所帮助~
这篇文章写得很冗余，但是我相信你如果真的看完，并且按照我的代码和逻辑进行分析，对您以后的数据预处理和命名实体识别都有帮助，只有真正对这些复杂的文本进行NLP处理后，您才能适应更多的真实环境，坚持！毕竟我写的时候也看了20多小时的视频，又写了20多个小时，别抱怨，加油~
上一篇文章处理后的数据格式如下图所示，将一个个句子处理成了包含六元组的CSV文件，这篇文章将介绍BiLSTM-CRF模型搭建及训练、预测，最终实现医学命名实体识别。
整个项目工程如下图所示：
本专栏主要结合作者之前的博客、AI经验和相关视频及论文介绍，后面随着深入会讲解更多的Python人工智能案例及应用。基础性文章，希望对您有所帮助，如果文章中存在错误或不足之处，还请海涵！作者作为人工智能的菜鸟，希望大家能与我在这一笔一划的博客中成长起来。写了这么多年博客，尝试第一个付费专栏，为小宝赚点奶粉钱，但更多博客尤其基础性文章，还是会继续免费分享，该专栏也会用心撰写，望对得起读者。如果有问题随时私聊我，只望您能从这个系列中学到知识，一起加油喔~
读者也可以从github下载源码，结合源码来运行最终实验。祝好~
- Keras下载地址：https://github.com/eastmountyxz/AI-for-Keras
- TensorFlow下载地址：https://github.com/eastmountyxz/AI-for-TensorFlow
文章目录
华为云社区前文赏析：
- [Python人工智能] 一.TensorFlow2.0环境搭建及神经网络入门
- [Python人工智能] 二.TensorFlow基础及一元直线预测案例
- [Python人工智能] 三.TensorFlow基础之Session、变量、传入值和激励函数
- [Python人工智能] 四.TensorFlow创建回归神经网络及Optimizer优化器
- [Python人工智能] 五.Tensorboard可视化基本用法及绘制整个神经网络
- [Python人工智能] 六.TensorFlow实现分类学习及MNIST手写体识别案例
- [Python人工智能] 七.什么是过拟合及dropout解决神经网络中的过拟合问题
- [Python人工智能] 八.卷积神经网络CNN原理详解及TensorFlow编写CNN
- [Python人工智能] 九.gensim词向量Word2Vec安装及《庆余年》中文短文本相似度计算
- [Python人工智能] 十.Tensorflow+Opencv实现CNN自定义图像分类及与KNN图像分类对比
- [Python人工智能] 十一.Tensorflow如何保存神经网络参数
- [Python人工智能] 十二.循环神经网络RNN和LSTM原理详解及TensorFlow编写RNN分类案例
- [Python人工智能] 十三.如何评价神经网络、loss曲线图绘制、图像分类案例的F值计算
- [Python人工智能] 十四.循环神经网络LSTM RNN回归案例之sin曲线预测 丨【百变AI秀】
- [Python人工智能] 十五.无监督学习Autoencoder原理及聚类可视化案例详解
- [Python人工智能] 十六.Keras环境搭建、入门基础及回归神经网络案例
- [Python人工智能] 十七.Keras搭建分类神经网络及MNIST数字图像案例分析
- [Python人工智能] 十八.Keras搭建卷积神经网络及CNN原理详解
- [Python人工智能] 十九.Keras搭建循环神经网络分类案例及RNN原理详解
- [Python人工智能] 二十.基于Keras+RNN的文本分类vs基于传统机器学习的文本分类
- [Python人工智能] 二十一.Word2Vec+CNN中文文本分类详解及与机器学习算法对比
- [Python人工智能] 二十二.基于大连理工情感词典的情感分析和情绪计算
- [Python人工智能] 二十三.基于机器学习和TFIDF的情感分类（含详细的NLP数据清洗）
- [Python人工智能] 二十四.易学智能GPU搭建Keras环境实现LSTM恶意URL请求分类
- [Python人工智能] 二十六.基于BiLSTM-CRF的医学命名实体识别研究（上）数据预处理
- [Python人工智能] 二十七.基于BiLSTM-CRF的医学命名实体识别研究（下）模型构建
接下来需要将每个汉字、边界、拼音、偏旁部首等映射成向量。所以，我们首先需要来构造字典，统计多少个不同的字、边界、拼音、偏旁部首等，然后再构建模型将不同的汉字、拼音等映射成不同的向量。
在prepare_data.py中自定义函数get_dict()生成映射字典。
为了训练时保证每个批次输入样本长度一致，这里补充了PAD标记变量，用于填充。同时，每个批次数据在进行填充时是以本批次中最长的句子作为标准，因此需要将句子按长度排序，每个批次数据的长度接近从而提升运算速度。
思考
在机器学习和深度学习中，测试集很可能出现新的特征，这些特征在训练集中从未出现过。比如该数据集的某个汉字、拼音或偏旁部首，在测试集中很可能第一次出现。那么，这种情况怎么解决呢？这种未登录词可以设置为低频Unknown，从而解决该问题。
此时的完整代码如下所示：
- prepare_data.py
#encoding:utf-8
import os
import pandas as pd
from collections import Counter
from data_process import split_text
from tqdm import tqdm #进度条 pip install tqdm
#词性标注
import jieba.posseg as psg
#获取字的偏旁和拼音
from cnradical import Radical, RunOption
#删除目录
import shutil
#随机划分训练集和测试集
from random import shuffle
#遍历文件包
from glob import glob
train_dir = "train_data"
#----------------------------功能:文本预处理---------------------------------
def process_text(idx, split_method=None, split_name='train'):
"""
功能: 读取文本并切割,接着打上标记及提取词边界、词性、偏旁部首、拼音等特征
param idx: 文件的名字 不含扩展名
param split_method: 切割文本方法
param split_name: 存储数据集 默认训练集, 还有测试集
return
"""
#定义字典 保存所有字的标记、边界、词性、偏旁部首、拼音等特征
data = {}
#--------------------------------------------------------------------
# 获取句子
#--------------------------------------------------------------------
if split_method is None:
#未给文本分割函数 -> 读取文件
with open(f'data/{train_dir}/{idx}.txt', encoding='utf8') as f: #f表示文件路径
texts = f.readlines()
else:
#给出文本分割函数 -> 按函数分割
with open(f'data/{train_dir}/{idx}.txt', encoding='utf8') as f:
outfile = f'data/train_data_pro/{idx}_pro.txt'
print(outfile)
texts = f.read()
texts = split_method(texts, outfile)
#提取句子
data['word'] = texts
print(texts)
#--------------------------------------------------------------------
# 获取标签(实体类别、起始位置)
#--------------------------------------------------------------------
#初始时将所有汉字标记为O
tag_list = ['O' for s in texts for x in s] #双层循环遍历每句话中的汉字
#读取ANN文件获取每个实体的类型、起始位置和结束位置
tag = pd.read_csv(f'data/{train_dir}/{idx}.ann', header=None, sep='\t') #Pandas读取 分隔符为tab键
#0 T1 Disease 1845 1850 1型糖尿病
for i in range(tag.shape[0]): #tag.shape[0]为行数
tag_item = tag.iloc[i][1].split(' ') #每一行的第二列 空格分割
#print(tag_item)
#存在某些实体包括两段位置区间 仅获取起始位置和结束位置
cls, start, end = tag_item[0], int(tag_item[1]), int(tag_item[-1])
#print(cls,start,end)
#对tag_list进行修改
tag_list[start] = 'B-' + cls
for j in range(start+1, end):
tag_list[j] = 'I-' + cls
#断言 两个长度不一致报错
assert len([x for s in texts for x in s])==len(tag_list)
#print(len([x for s in texts for x in s]))
#print(len(tag_list))
#--------------------------------------------------------------------
# 分割后句子匹配标签
#--------------------------------------------------------------------
tags = []
start = 0
end = 0
#遍历文本
for s in texts:
length = len(s)
end += length
tags.append(tag_list[start:end])
start += length
print(len(tags))
#标签数据存储至字典中
data['label'] = tags
#--------------------------------------------------------------------
# 提取词性和词边界
#--------------------------------------------------------------------
#初始标记为M
word_bounds = ['M' for item in tag_list] #边界 M表示中间
word_flags = [] #词性
#分词
for text in texts:
#带词性的结巴分词
for word, flag in psg.cut(text):
if len(word)==1: #1个长度词
start = len(word_flags)
word_bounds[start] = 'S' #单个字
word_flags.append(flag)
else:
start = len(word_flags)
word_bounds[start] = 'B' #开始边界
word_flags += [flag]*len(word) #保证词性和字一一对应
end = len(word_flags) - 1
word_bounds[end] = 'E' #结束边界
#存储
bounds = []
flags = []
start = 0
end = 0
for s in texts:
length = len(s)
end += length
bounds.append(word_bounds[start:end])
flags.append(word_flags[start:end])
start += length
data['bound'] = bounds
data['flag'] = flags
#--------------------------------------------------------------------
# 获取拼音和偏旁特征
#--------------------------------------------------------------------
radical = Radical(RunOption.Radical) #提取偏旁部首
pinyin = Radical(RunOption.Pinyin) #提取拼音
#提取拼音和偏旁 None用特殊符号替代UNK
radical_out = [[radical.trans_ch(x) if radical.trans_ch(x) is not None else 'UNK' for x in s] for s in texts]
pinyin_out = [[pinyin.trans_ch(x) if pinyin.trans_ch(x) is not None else 'UNK' for x in s] for s in texts]
#赋值
data['radical'] = radical_out
data['pinyin'] = pinyin_out
#--------------------------------------------------------------------
# 存储数据
#--------------------------------------------------------------------
#获取样本数量
num_samples = len(texts) #行数
num_col = len(data.keys()) #列数 字典自定义类别数 6
print(num_samples)
print(num_col)
dataset = []
for i in range(num_samples):
records = list(zip(*[list(v[i]) for v in data.values()])) #压缩
dataset += records+[['sep']*num_col] #每处理一句话sep分割
#records = list(zip(*[list(v[0]) for v in data.values()]))
#for r in records:
# print(r)
#最后一行sep删除
dataset = dataset[:-1]
#转换成dataframe 增加表头
dataset = pd.DataFrame(dataset,columns=data.keys())
#保存文件 测试集 训练集
save_path = f'data/prepare/{split_name}/{idx}.csv'
dataset.to_csv(save_path,index=False,encoding='utf-8')
#--------------------------------------------------------------------
# 处理换行符 w表示一个字
#--------------------------------------------------------------------
def clean_word(w):
if w=='\n':
return 'LB'
if w in [' ','\t','\u2003']: #中文空格\u2003
return 'SPACE'
if w.isdigit(): #将所有数字转换为一种符号 数字训练会造成干扰
return 'NUM'
return w
#对dataframe应用函数
dataset['word'] = dataset['word'].apply(clean_word)
#存储数据
dataset.to_csv(save_path,index=False,encoding='utf-8')
#return texts, tags, bounds, flags
#return texts[0], tags[0], bounds[0], flags[0], radical_out[0], pinyin_out[0]
#----------------------------功能:预处理所有文本---------------------------------
def multi_process(split_method=None,train_ratio=0.8):
"""
功能: 对所有文本尽心预处理操作
param split_method: 切割文本方法
param train_ratio: 训练集和测试集划分比例
return
"""
#删除目录
if os.path.exists('data/prepare/'):
shutil.rmtree('data/prepare/')
#创建目录
if not os.path.exists('data/prepare/train/'):
os.makedirs('data/prepare/train/')
os.makedirs('data/prepare/test/')
#获取所有文件名
idxs = set([file.split('.')[0] for file in os.listdir('data/'+train_dir)])
idxs = list(idxs)
#随机划分训练集和测试集
shuffle(idxs) #打乱顺序
index = int(len(idxs)*train_ratio) #获取训练集的截止下标
#获取训练集和测试集文件名集合
train_ids = idxs[:index]
test_ids = idxs[index:]
#--------------------------------------------------------------------
# 引入多进程
#--------------------------------------------------------------------
#线程池方式调用
import multiprocessing as mp
num_cpus = mp.cpu_count() #获取机器CPU的个数
pool = mp.Pool(num_cpus)
results = []
#训练集处理
for idx in train_ids:
result = pool.apply_async(process_text, args=(idx,split_method,'train'))
results.append(result)
#测试集处理
for idx in test_ids:
result = pool.apply_async(process_text, args=(idx,split_method,'test'))
results.append(result)
#关闭进程池
pool.close()
pool.join()
[r.get for r in results]
#----------------------------功能:生成映射字典---------------------------------
#统计函数：列表、频率计算阈值
def mapping(data,threshold=10,is_word=False,sep='sep'):
#统计列表data中各种类型的个数
count = Counter(data)
#删除之前自定义的sep换行符
if sep is not None:
count.pop(sep)
#判断是汉字 未登录词处理 出现频率较少 设置为Unknown
if is_word:
#设置下列两个词频次 排序靠前
count['PAD'] = 100000001 #填充字符 保证长度一致
count['UNK'] = 100000000 #未知标记
#降序排列
data = sorted(count.items(),key=lambda x:x[1], reverse=True)
#去除频率小于threshold的元素
data = [x[0] for x in data if x[1]>=threshold]
#转换成字典
id2item = data
item2id = {id2item[i]:i for i in range(len(id2item))}
else:
count['PAD'] = 100000001
data = sorted(count.items(),key=lambda x:x[1], reverse=True)
data = [x[0] for x in data]
id2item = data
item2id = {id2item[i]:i for i in range(len(id2item))}
return id2item, item2id
#生成映射字典
def get_dict():
#获取所有内容
all_w = [] #汉字
all_bound = [] #边界
all_flag = [] #词性
all_label = [] #类别
all_radical = [] #偏旁
all_pinyin = [] #拼音
#读取文件
for file in glob('data/prepare/train/*.csv') + glob('data/prepare/test/*.csv'):
df = pd.read_csv(file,sep=',')
all_w += df['word'].tolist()
all_bound += df['bound'].tolist()
all_flag += df['flag'].tolist()
all_label += df['label'].tolist()
all_radical += df['radical'].tolist()
all_pinyin += df['pinyin'].tolist()
#保存返回结果 字典
map_dict = {}
#调用统计函数
map_dict['word'] = mapping(all_w,threshold=20,is_word=True)
map_dict['bound'] = mapping(all_bound)
map_dict['flag'] = mapping(all_flag)
map_dict['label'] = mapping(all_label)
map_dict['radical'] = mapping(all_radical)
map_dict['pinyin'] = mapping(all_pinyin)
#字典保存内容
return map_dict
#-------------------------------功能:主函数--------------------------------------
if __name__ == '__main__':
#print(process_text('0',split_method=split_text,split_name='train'))
#多线程处理文本
#multi_process(split_text)
#生成映射字典
print(get_dict())
输出结果如下图所示：
至此，成功输出结果，包括字、边界、标记、类别、偏旁、拼音六类数据及对应的下标。比如边界共包括PAD、S、B、E、M五种，实体类型包括31种。
如果需要对生成的数据进行存储和调用，则使用如下核心代码：
输出结果为：
- ([‘PAD’, ‘S’, ‘B’, ‘E’, ‘M’], {‘PAD’: 0, ‘S’: 1, ‘B’: 2, ‘E’: 3, ‘M’: 4})
接下来我们需要将这些下标转换成对应的数值，再映射成向量，模型根据向量进行训练。
第一步，创建文件data_utils.py。
- data_utils.py
我们将文件中的三个句子合并成一个句子，从而实现数据增强。同时，拼接文件前获取汉字、边界、词性、类别、偏旁、拼音对应的下标，再进行后续句子拼接操作。注意，这里的三个句子拼接在一定程度能让整个文本保持一个均匀的长度，从而分批训练的词向量长度一致，增强数据并提升运算性能。
第二步，编写相关代码。
#encoding:utf-8
import pandas as pd
import pickle
import numpy as np
from tqdm import tqdm
import os
#功能:获取值对应的下标 参数为列表和字符
def item2id(data,w2i):
#x在字典中直接获取 不在字典中返回UNK
return [w2i[x] if x in w2i else w2i['UNK'] for x in data]
#----------------------------功能:拼接文件---------------------------------
def get_data_with_windows(name='train'):
#读取prepare_data.py生成的dict.pkl文件 存储字典{类别:下标}
with open(f'data/dict.pkl', 'rb') as f:
map_dict = pickle.load(f) #加载字典
#存储所有数据
results = []
root = os.path.join('data/prepare/'+name)
files = list(os.listdir(root))
print(files)
#['10.csv', '11.csv', '12.csv',.....]
#获取所有文件 进度条
for file in tqdm(files):
all_data = []
path = os.path.join(root, file)
samples = pd.read_csv(path,sep=',')
max_num = len(samples)
#获取sep换行分隔符下标 -1 20 40 60
sep_index = [-1]+samples[samples['word']=='sep'].index.tolist()+[max_num]
#print(sep_index)
#[-1, 83, 92, 117, 134, 158, 173, 200,......]
#----------------------------------------------------------------------
# 获取句子并将句子全部都转换成id
#----------------------------------------------------------------------
for i in range(len(sep_index)-1):
start = sep_index[i] + 1 #0 (-1+1)
end = sep_index[i+1] #20
data = []
#每个特征进行处理
for feature in samples.columns: #访问每列
#通过函数item2id获取下标 map_dict两个值(列表和字典) 获取第二个值
data.append(item2id(list(samples[feature])[start:end],map_dict[feature][1]))
#将每句话的列表合成
all_data.append(data)
#----------------------------------------------------------------------
# 数据增强
#----------------------------------------------------------------------
#前后两个句子拼接 每个句子六个元素(汉字、边界、词性、类别、偏旁、拼音)
two = []
for i in range(len(all_data)-1):
first = all_data[i]
second = all_data[i+1]
two.append([first[k]+second[k] for k in range(len(first))]) #六个元素
three = []
for i in range(len(all_data)-2):
first = all_data[i]
second = all_data[i+1]
third = all_data[i+2]
three.append([first[k]+second[k]+third[k] for k in range(len(first))])
#返回所有结果
results.extend(all_data+two+three)
return results
#-------------------------------功能:主函数--------------------------------------
if __name__ == '__main__':
print(get_data_with_windows('train'))
此时的输出如下图所示，可以看到tqdm打印的进度条。
0%| | 0/290 [00:00<?, ?it/s]
1%| | 2/290 [00:02<06:36, 1.38s/it]
3%|▎ | 9/290 [00:11<06:51, 1.46s/it]
13%|█▎ | 38/290 [01:08<07:01, 1.67s/it]
27%|██▋ | 79/290 [03:08<11:06, 3.16s/it]
45%|████▌ | 131/290 [06:39<11:56, 4.51s/it]
61%|██████ | 177/290 [11:41<15:11, 8.07s/it]
继续完善代码，将结果输出至文件，并定义类分批管理。
- 1.先执行get_data_with_windows(‘train’)函数拼接文件
- 2.再执行train_data = BatchManager(10, ‘train’)函数分批处理
- 3.用函数get_data_with_windows(‘test’)处理测试集数据
该部分最终完整代码如下：
- data_utils.py
#encoding:utf-8
import pandas as pd
import pickle
import numpy as np
from tqdm import tqdm
import os
import math
#功能:获取值对应的下标 参数为列表和字符
def item2id(data,w2i):
#x在字典中直接获取 不在字典中返回UNK
return [w2i[x] if x in w2i else w2i['UNK'] for x in data]
#----------------------------功能:拼接文件---------------------------------
def get_data_with_windows(name='train'):
#读取prepare_data.py生成的dict.pkl文件 存储字典{类别:下标}
with open(f'data/dict.pkl', 'rb') as f:
map_dict = pickle.load(f) #加载字典
#存储所有数据
results = []
root = os.path.join('data/prepare/'+name)
files = list(os.listdir(root))
print(files)
#['10.csv', '11.csv', '12.csv',.....]
#获取所有文件 进度条
for file in tqdm(files):
all_data = []
path = os.path.join(root, file)
samples = pd.read_csv(path,sep=',')
max_num = len(samples)
#获取sep换行分隔符下标 -1 20 40 60
sep_index = [-1]+samples[samples['word']=='sep'].index.tolist()+[max_num]
#print(sep_index)
#[-1, 83, 92, 117, 134, 158, 173, 200,......]
#----------------------------------------------------------------------
# 获取句子并将句子全部都转换成id
#----------------------------------------------------------------------
for i in range(len(sep_index)-1):
start = sep_index[i] + 1 #0 (-1+1)
end = sep_index[i+1] #20
data = []
#每个特征进行处理
for feature in samples.columns: #访问每列
#通过函数item2id获取下标 map_dict两个值(列表和字典) 获取第二个值
data.append(item2id(list(samples[feature])[start:end],map_dict[feature][1]))
#将每句话的列表合成
all_data.append(data)
#----------------------------------------------------------------------
# 数据增强
#----------------------------------------------------------------------
#前后两个句子拼接 每个句子六个元素(汉字、边界、词性、类别、偏旁、拼音)
two = []
for i in range(len(all_data)-1):
first = all_data[i]
second = all_data[i+1]
two.append([first[k]+second[k] for k in range(len(first))]) #六个元素
three = []
for i in range(len(all_data)-2):
first = all_data[i]
second = all_data[i+1]
third = all_data[i+2]
three.append([first[k]+second[k]+third[k] for k in range(len(first))])
#返回所有结果
results.extend(all_data+two+three)
#return results
#数据存储至本地 每次调用时间成本过大
with open(f'data/'+name+'.pkl', 'wb') as f:
pickle.dump(results, f)
#----------------------------功能:批处理---------------------------------
class BatchManager(object):
def __init__(self, batch_size, name='train'):
#调用函数拼接文件
#data = get_data_with_windows(name)
#读取文件
with open(f'data/'+name+'.pkl', 'rb') as f:
data = pickle.load(f)
print(len(data)) #265455句话
print(len(data[0])) #6种类别
print(len(data[0][0])) #第一句包含字的数量 83
print("原始数据:", data[0])
#数据批处理
self.batch_data = self.sort_and_pad(data, batch_size)
self.len_data = len(self.batch_data)
def sort_and_pad(self, data, batch_size):
#计算总批次数量 26546
num_batch = int(math.ceil(len(data) / batch_size))
#按照句子长度排序
sorted_data = sorted(data, key=lambda x: len(x[0]))
batch_data = list()
#获取一个批次的数据
for i in range(num_batch):
batch_data.append(self.pad_data(sorted_data[i*int(batch_size) : (i+1)*int(batch_size)]))
print("分批输出:", batch_data[1000])
return batch_data
@staticmethod
def pad_data(data_):
#定义变量
chars = []
bounds = []
flags = []
radicals = []
pinyins = []
targets = []
#print("每个批次句子个数:", len(data_)) #10
#print("每个句子包含元素个数:", len(data_[0])) #6
#print("输出data:", data_)
max_length = max([len(sentence[0]) for sentence in data_]) #值为1
#print(max_length)
#每个批次共有十组数据 每组数据均为六个元素
for line in data_:
char, bound, flag, target, radical, pinyin = line
padding = [0] * (max_length - len(char)) #计算补充字符数量
#注意char和chars不要写错 否则造成递归循环赋值错误
chars.append(char + padding)
bounds.append(bound + padding)
flags.append(flag + padding)
targets.append(target + padding)
radicals.append(radical + padding)
pinyins.append(pinyin + padding)
return [chars, bounds, flags, radicals, pinyins, targets]
#每次使用一个批次数据
def iter_batch(self, shuffle=False):
if shuffle:
random.shuffle(self.batch_data)
for idx in range(self.len_data):
yield self.batch_data[idx]
#-------------------------------功能:主函数--------------------------------------
if __name__ == '__main__':
#1.拼接文件(第一次执行 后续可注释)
#get_data_with_windows('train')
#2.分批处理
train_data = BatchManager(10, 'train')
#3.接着处理下测试集数据
#get_data_with_windows('test')
原始数据及处理后的数据如下图所示：
某些Python工具能看到中间输出结果，可以看到我们的data_utils.py脚本成功将句子分批次补齐，每个批次处理为对应的10个句子 x 6个数据类型。
注：该部分老师丢失了视频，是作者结合源码进行还原，哈哈！泪奔~
此时我们项目的结构图如下所示，包括：
- data：数据文件夹，prepare为预处理数据，由很多包含六元组的CSV文件组成
- train.pkl：训练集句子六元组下标
- test.pkl：测试集句子六元组下标
- data_process.py：获取实体类别及个数、BIO数据标注、长短句分割
- prepare_data.py：获取数据标签、提取六元组（字、边界、词性、类别、偏旁、拼音）
- data_utils.py：获取六元组对应的下标并进行对齐处理，后续转换词向量训练
接着让我们开始创建BiLSTM模型。
第一步，创建模型构建脚本。
- model.py
核心代码如下，大家可以先熟悉Model类中基本的函数、变量组成。
#encoding:utf-8
"""
Created on Thu Jan 7 12:56:40 2021
@author: xiuzhang
"""
import tensorflow as tf
import numpy as np
#---------------------------功能：预测计算函数-----------------------------
def network(char,bound,flag,radical,pinyin,shapes,
initializer=tf.truncated_normal_initializer):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None]
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:param shapes: 词向量形状字典
:param initializer: 初始化函数
:return
"""
#--------------------------------------------------
#特征嵌入:将所有特征的id转换成一个固定长度的向量
embedding = []
#五类特征转换成词向量再拼接
with tf.variable_scope('char_embedding'):
#获取汉字信息
char_lookup = tf.get_variable(
name = 'char_embedding', #名称
shape = ['char'], #[num,dim] 行数(个数)*列数(向量维度)
initializer = initializer
)
#词向量映射
embedding.append(tf.nn.embedding_lookup(char_lookup,char))
#-----------------------------功能：定义模型类---------------------------
class Model(object):
#初始化
def __init__(self, dict_):
#通过dict.pkl计算各个特征数量
self.num_char = len(dict_['word'][0])
self.num_bound = len(dict_['bound'][0])
self.num_flag = len(dict_['flag'][0])
self.num_radical = len(dict_['radical'][0])
self.num_pinyin = len(dict_['pinyin'][0])
self.num_entity = len(dict_['label'][0])
#字符映射成向量的维度
self.char_dim = 100
self.bound_dim = 20
self.flag_dim = 50
self.radical_dim = 50
self.pinyin_dim = 50
#shape表示为[num,dim] 行数(个数)*列数(向量维度)
#定义网络 接收批次样本
def get_logits(self,char,bound,flag,radical,pinyin):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None]
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:return
"""
#定义字典传参
shapes = {}
shapes['char'] = [self.num_char,self.char_dim]
shapes['bound'] = [self.num_bound,self.bound_dim]
shapes['flag'] = [self.num_flag,self.flag_dim]
shapes['radical'] = [self.num_radical,self.radical_dim]
shapes['pinyin'] = [self.num_pinyin,self.pinyin_dim]
return network(char,bound,flag,radical,pinyin,dict_input)
第二步，我们尝试编写一个test.py脚本理解词嵌入相关知识。
- test.py
# -*- coding: utf-8 -*-
"""
Created on Thu Jan 7 12:56:40 2021
@author: xiuzhang
"""
import tensorflow as tf
import numpy as np
matrix = np.array([
[1,1,1,1,1,1],
[2,2,2,2,2,2],
[3,3,3,3,3,3],
[4,4,4,4,4,4]
])
x = np.array([
[0,2,1,1,2],
[3,2,0,2,2]
])
#词向量转换
result = tf.nn.embedding_lookup(matrix,x)
with tf.Session() as sess:
print(sess.run(result))
其输出结果如下图所示，它通过embedding_lookup函数将x矩阵按matrix进行词向量映射，比如[0,2,1,1,2]在matrix分别对应第一行、第三行、第二行、第二行和第四行，相当于每一个id对应一个向量，最终得到如下结果。
同样下面这个函数将char汉字进行词向量映射。
- embedding.append(tf.nn.embedding_lookup(char_lookup,char))
第三步，继续完善model.py代码。
我们尝试对参数进行修改，多个参数传递并调用同一规则函数时，可以将参数插入至字典中，从而优化代码。比如：
- 优化前
def network(char,bound,flag,radical,pinyin,shapes,initializer=…) - 优化后
def network(inputs,shapes,initializer=…)
接着定义双向LSTM神经网络，为了提高运算效率，我们需要计算输入Inputs句子的实际长度，而填充数据PAD（下标0）不计算。
完整代码如下，它将词向量输入后处理，最终返回三维矩阵，每个词做一个多分类（31种实体类别），核心函数相当于一个编码器。
- get_logits(self,char,bound,flag,radical,pinyin)
- network(inputs,shapes,num_entity,lstm_dim=100, initializer)
- [batch_size,max_length,num_entity]
#encoding:utf-8
"""
Created on Thu Jan 7 12:56:40 2021
@author: xiuzhang
"""
import tensorflow as tf
import numpy as np
from tensorflow.contrib import rnn
#---------------------------功能：预测计算函数-----------------------------
def network(inputs,shapes,num_entity,lstm_dim=100,
initializer=tf.truncated_normal_initializer):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None] 批次数量*每个批次句子长度
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:param shapes: 词向量形状字典
:param lstm_dim: 神经元的个数
:param num_entity: 实体标签数量 31种类型
:param initializer: 初始化函数
:return
"""
#--------------------------------------------------
#特征嵌入:将所有特征的id转换成一个固定长度的向量
#--------------------------------------------------
embedding = []
keys = list(shapes.keys())
#循环将五类特征转换成词向量 后续拼接
for key in keys:
with tf.variable_scope(key+'_embedding'):
#获取汉字信息
lookup = tf.get_variable(
name = key + '_embedding', #名称
shape = [key], #[num,dim] 行数(个数)*列数(向量维度)
initializer = initializer
)
#词向量映射 汉字结果[None,None,100]
embedding.append(tf.nn.embedding_lookup(lookup,inputs[key]))
#拼接词向量 shape[None,None,char_dim+bound_dim+flag_dim+radical_dim+pinyin_dim]
embed = tf.concat(embedding,axis=-1) #最后一个维度上拼接 -1
#lengths: 计算输入inputs每句话的实际长度(填充内容不计算)
#填充值PAD下标为0 因此总长度减去PAD数量即为实际长度 从而提升运算效率
sign = tf.sign(tf.abs(inputs[keys[0]])) #字符长度
lengths = tf.reduce_sum(sign, reduction_indices=1)
#获取填充序列长度 char的第二个维度
num_time = tf.shape(inputs[keys[0]])[1]
#--------------------------------------------------
#循环神经网络编码: 双层双向网络
#--------------------------------------------------
#第一层
with tf.variable_scope('BiLSTM_layer1'):
lstm_cell = {}
#第一层前向 后向
for name in ['forward','backward']:
with tf.varibale_scope(name): #设置名称
lstm_cell[name] = rnn.BasicLSTMCell(
lstm_dim, #神经元的个数
initializer = initializer
)
#运行LSTM
outputs1,finial_states1 = tf.nn.bidirectional_dynamic_run(
lstm_cell['forward'],
lstm_cell['backward'],
embed,
dtype = tf.float32,
sequence_length = lengths #序列实际长度(该参数可省略)
)
#拼接前向LSTM和后向LSTM输出
outputs1 = tf.concat(outputs1,axis=-1) #b,L,2*lstm_dim
#第二层
with tf.variable_scope('BiLSTM_layer2'):
lstm_cell = {}
#第一层前向 后向
for name in ['forward','backward']:
with tf.varibale_scope(name): #设置名称
lstm_cell[name] = rnn.BasicLSTMCell(
lstm_dim, #神经元的个数
initializer = initializer
)
#运行LSTM
outputs,finial_states = tf.nn.bidirectional_dynamic_run(
lstm_cell['forward'],
lstm_cell['backward'],
embed, #是否利用第一层网络
dtype = tf.float32,
sequence_length = lengths #序列实际长度(该参数可省略)
)
#最终结果 [batch_size,maxlength,2*lstm_dim] 即200
result = tf.concat(outputs,axis=-1)
#--------------------------------------------------
#输出映射
#--------------------------------------------------
#转换成二维矩阵 [batch_size*maxlength,2*lstm_dim]
result = tf.reshape(result, [-1,2*lstm_dim])
#第一层映射 矩阵乘法
with tf.variable_scope('project_layer1'):
#权重
w = tf.get_variable(
name = 'w',
shape = [2*lstm_dim,lstm_dim], #转100维
initializer = initializer
)
#bias
b = tf.get_variable(
name = 'w',
shape = [lstm_dim],
initializer = tf.zeros_initializer()
)
#运算 激活函数relu
result = tf.nn.relu(matmul(result,w)+b)
#第二层映射 矩阵乘法
with tf.variable_scope('project_layer2'):
#权重
w = tf.get_variable(
name = 'w',
shape = [lstm_dim,num_entity], #31种实体类别
initializer = initializer
)
#bias
b = tf.get_variable(
name = 'w',
shape = [num_entity],
initializer = tf.zeros_initializer()
)
#运算 激活函数relu 最后一层不激活
result = matmul(result,w)+b
#形状转换成三维
result = tf.reshape(result, [-1,num_time,num_entity])
#[batch_size,max_length,num_entity]
return result
#-----------------------------功能：定义模型类---------------------------
class Model(object):
#初始化
def __init__(self, dict_):
#通过dict.pkl计算各个特征数量
self.num_char = len(dict_['word'][0])
self.num_bound = len(dict_['bound'][0])
self.num_flag = len(dict_['flag'][0])
self.num_radical = len(dict_['radical'][0])
self.num_pinyin = len(dict_['pinyin'][0])
self.num_entity = len(dict_['label'][0])
#字符映射成向量的维度
self.char_dim = 100
self.bound_dim = 20
self.flag_dim = 50
self.radical_dim = 50
self.pinyin_dim = 50
#shape表示为[num,dim] 行数(个数)*列数(向量维度)
#设置LSTM的维度 神经元的个数
self.lstm_dim = 100
#定义网络 接收批次样本
def get_logits(self,char,bound,flag,radical,pinyin):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None]
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:return: 返回3-d tensor [batch_size,max_length,num_entity]
"""
#定义字典传参
shapes = {}
shapes['char'] = [self.num_char,self.char_dim]
shapes['bound'] = [self.num_bound,self.bound_dim]
shapes['flag'] = [self.num_flag,self.flag_dim]
shapes['radical'] = [self.num_radical,self.radical_dim]
shapes['pinyin'] = [self.num_pinyin,self.pinyin_dim]
#输入参数定义字典
inputs = {}
inputs['char'] = char
inputs['bound'] = bound
inputs['flag'] = flag
inputs['radical'] = radical
inputs['pinyin'] = pinyin
#return network(char,bound,flag,radical,pinyin,shapes)
return network(inputs,shapes,lstm_dim=self.lstm_dim,num_entity=self.num_entity)
下面我们补充一张该图的算法流程图，基本流程：
- 首先将汉字、边界、词性、偏旁和拼音转换成词向量
- 词嵌入拼接成270维输入
- 经过两个双向LSTM，转换成200维输出结果，做31种实体类别的分类处理
模型之间的参数计算如下图所示（源自白老师），LSTM有4个门控，31是输出实体标签的数量，100表示LSTM的神经元数。
注意，我们可以查看BILSTM源码帮助学习，比如其返回值包括输出(前向&后向)和状态。
最终得到31个值（实体类别数）后，我们接下来需要做Softmax吗？
我们不做Softmax，我们不是要每个时刻概率最大，而是需要序列概率最大。因此接下来通过条件随机场计算损失。此时，我们每个时刻有31种选择，假设存在一个10长度的序列，它有31的10次方个组合，而真实的序列只有一种，我们的目标是让真实序列的概率在整个序列所有概率中最大。因此采用CRF模型。
下面开始撰写代码：
- model.py
重点：下面总结希望大家认真阅读
传统CRF++是通过统计学方法计算每个时刻隐状态的分值，而现在我们是通过模型network来完成的。因此该模型称为BiLSTM-CRF模型。同时，调用crf_log_likelihood()函数计算条件随机场的对数似然，如下图所示，初始时刻状态为31个概率为0（log-1000）和Start概率为1（log0）。
- BiLSTM：负责提取特征（结合上下文），每个时刻输出31个值
- CRF：负责计算隐状态分值
- 该模型与隐马尔可夫模型本质区别是计算分数方法不同，一种是基于统计学方法P(y|x)，一种是基于神经网络实现（BiLSTM）。
- 最后的结果就是真实概率值在所有概率值中最大，因此条件随机场是序列归一化，对整个序列的分值做归一化处理。
此时model.py的完整代码如下：
#encoding:utf-8
"""
Created on Thu Jan 7 12:56:40 2021
@author: xiuzhang
"""
import tensorflow as tf
import numpy as np
from tensorflow.contrib import rnn
#计算条件随机场的对数似然
from tensorflow.contrib.crf import crf_log_likelihood
#---------------------------功能：预测计算函数-----------------------------
def network(inputs,shapes,num_entity,lstm_dim=100,
initializer=tf.truncated_normal_initializer):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None] 批次数量*每个批次句子长度
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:param shapes: 词向量形状字典
:param lstm_dim: 神经元的个数
:param num_entity: 实体标签数量 31种类型
:param initializer: 初始化函数
:return
"""
#--------------------------------------------------
#特征嵌入:将所有特征的id转换成一个固定长度的向量
#--------------------------------------------------
embedding = []
keys = list(shapes.keys())
#循环将五类特征转换成词向量 后续拼接
for key in keys:
with tf.variable_scope(key+'_embedding'):
#获取汉字信息
lookup = tf.get_variable(
name = key + '_embedding', #名称
shape = [key], #[num,dim] 行数(个数)*列数(向量维度)
initializer = initializer
)
#词向量映射 汉字结果[None,None,100]
embedding.append(tf.nn.embedding_lookup(lookup,inputs[key]))
#拼接词向量 shape[None,None,char_dim+bound_dim+flag_dim+radical_dim+pinyin_dim]
embed = tf.concat(embedding,axis=-1) #最后一个维度上拼接 -1
#lengths: 计算输入inputs每句话的实际长度(填充内容不计算)
#填充值PAD下标为0 因此总长度减去PAD数量即为实际长度 从而提升运算效率
sign = tf.sign(tf.abs(inputs[keys[0]])) #字符长度
lengths = tf.reduce_sum(sign, reduction_indices=1)
#获取填充序列长度 char的第二个维度
num_time = tf.shape(inputs[keys[0]])[1]
#--------------------------------------------------
#循环神经网络编码: 双层双向网络
#--------------------------------------------------
#第一层
with tf.variable_scope('BiLSTM_layer1'):
lstm_cell = {}
#第一层前向 后向
for name in ['forward','backward']:
with tf.varibale_scope(name): #设置名称
lstm_cell[name] = rnn.BasicLSTMCell(
lstm_dim, #神经元的个数
initializer = initializer
)
#运行LSTM
outputs1,finial_states1 = tf.nn.bidirectional_dynamic_run(
lstm_cell['forward'],
lstm_cell['backward'],
embed,
dtype = tf.float32,
sequence_length = lengths #序列实际长度(该参数可省略)
)
#拼接前向LSTM和后向LSTM输出
outputs1 = tf.concat(outputs1,axis=-1) #b,L,2*lstm_dim
#第二层
with tf.variable_scope('BiLSTM_layer2'):
lstm_cell = {}
#第一层前向 后向
for name in ['forward','backward']:
with tf.varibale_scope(name): #设置名称
lstm_cell[name] = rnn.BasicLSTMCell(
lstm_dim, #神经元的个数
initializer = initializer
)
#运行LSTM
outputs,finial_states = tf.nn.bidirectional_dynamic_run(
lstm_cell['forward'],
lstm_cell['backward'],
embed, #是否利用第一层网络
dtype = tf.float32,
sequence_length = lengths #序列实际长度(该参数可省略)
)
#最终结果 [batch_size,maxlength,2*lstm_dim] 即200
result = tf.concat(outputs,axis=-1)
#--------------------------------------------------
#输出映射
#--------------------------------------------------
#转换成二维矩阵 [batch_size*maxlength,2*lstm_dim]
result = tf.reshape(result, [-1,2*lstm_dim])
#第一层映射 矩阵乘法
with tf.variable_scope('project_layer1'):
#权重
w = tf.get_variable(
name = 'w',
shape = [2*lstm_dim,lstm_dim], #转100维
initializer = initializer
)
#bias
b = tf.get_variable(
name = 'w',
shape = [lstm_dim],
initializer = tf.zeros_initializer()
)
#运算 激活函数relu
result = tf.nn.relu(matmul(result,w)+b)
#第二层映射 矩阵乘法
with tf.variable_scope('project_layer2'):
#权重
w = tf.get_variable(
name = 'w',
shape = [lstm_dim,num_entity], #31种实体类别
initializer = initializer
)
#bias
b = tf.get_variable(
name = 'w',
shape = [num_entity],
initializer = tf.zeros_initializer()
)
#运算 激活函数relu 最后一层不激活
result = matmul(result,w)+b
#形状转换成三维
result = tf.reshape(result, [-1,num_time,num_entity])
#[batch_size,max_length,num_entity]
return result,lengths
#-----------------------------功能：定义模型类---------------------------
class Model(object):
#初始化
def __init__(self, dict_):
#通过dict.pkl计算各个特征数量
self.num_char = len(dict_['word'][0])
self.num_bound = len(dict_['bound'][0])
self.num_flag = len(dict_['flag'][0])
self.num_radical = len(dict_['radical'][0])
self.num_pinyin = len(dict_['pinyin'][0])
self.num_entity = len(dict_['label'][0])
#字符映射成向量的维度
self.char_dim = 100
self.bound_dim = 20
self.flag_dim = 50
self.radical_dim = 50
self.pinyin_dim = 50
#shape表示为[num,dim] 行数(个数)*列数(向量维度)
#设置LSTM的维度 神经元的个数
self.lstm_dim = 100
#定义网络 接收批次样本
def get_logits(self,char,bound,flag,radical,pinyin):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None]
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:return: 返回3-d tensor [batch_size,max_length,num_entity]
"""
#定义字典传参
shapes = {}
shapes['char'] = [self.num_char,self.char_dim]
shapes['bound'] = [self.num_bound,self.bound_dim]
shapes['flag'] = [self.num_flag,self.flag_dim]
shapes['radical'] = [self.num_radical,self.radical_dim]
shapes['pinyin'] = [self.num_pinyin,self.pinyin_dim]
#输入参数定义字典
inputs = {}
inputs['char'] = char
inputs['bound'] = bound
inputs['flag'] = flag
inputs['radical'] = radical
inputs['pinyin'] = pinyin
#return network(char,bound,flag,radical,pinyin,shapes)
return network(inputs,shapes,lstm_dim=self.lstm_dim,num_entity=self.num_entity)
#--------------------------功能：定义loss CRF模型-------------------------
#参数: 模型输出值 真实标签序列 长度(不计算填充)
def loss(self,result,targets,lengths):
#获取长度
b = len(lengths) #真实长度
num_steps = tf.shape(result)[1] #含填充
#转移矩阵
with tf.variable_scope('crf_loss'):
#取log相当于概率接近0
small = -1000.0
#初始时刻状态 两个矩阵在最后一个维度合并
start_logits = tf.concat(
#前31个-1000概率为0 最后一个start为0取log为1
[small*tf.ones(shape=[b,1,self.num_entity]),tf.zeros(shape=[b,1,1])],
axis = -1
)
#X值拼接 每个时刻加一个状态
pad_logits = tf.cast(small*tf.ones([b,num_steps,1]),tf.float32)
logits = tf.concat([result, pad_logits], axis=-1)
logits = tf.concat([start_logits,logits], axis=1) #第二个位置拼接
#Y值拼接
targets = tf.concat(
[tf.cast(self.num_entity*tf.ones([b,1]),tf.int32),targets],
axis = -1
)
#计算
self.trans = tf.get_variable(
name = 'trans',
#初始概率start加1 最终32个
shape = [self.num_entity+1,self.num_entity+1],
initializer = tf.truncated_normal_initializer()
)
#损失 计算条件随机场的对数似然 每个样本计算几个值
log_likehood, self.trans = crf_log_likelihood(
inputs = logits, #输入
tag_indices = targets, #目标
transition_params = self.trans,
sequence_lengths = lengths #真实样本长度
)
#返回所有样本平均值 数加个负号损失最小化
return tf.reduce_mean(-log_likehood)
继续修改Model类，在初始化init函数中增加如下功能：
- 定义接收数据的placeholder
- 调用get_logits计算模型输出结果及句子真实长度
- 调用loss计算损失值
- 定义优化器，采用梯度截断技术处理，如果导数值过大会导致步子迈得过大，造成梯度爆炸，因此限制在某个范围内（如[-5,5]）
- 保存模型参数
该模型最终将270维的向量（字、边界、词性、偏旁、拼音）映射成31维向量。核心代码如下：
class Model(object):
#---------------------------------------------------------
#初始化
def __init__(self, dict_, lr=0.0001):
#通过dict.pkl计算各个特征数量
self.num_char = len(dict_['word'][0])
self.num_bound = len(dict_['bound'][0])
self.num_flag = len(dict_['flag'][0])
self.num_radical = len(dict_['radical'][0])
self.num_pinyin = len(dict_['pinyin'][0])
self.num_entity = len(dict_['label'][0])
#字符映射成向量的维度
self.char_dim = 100
self.bound_dim = 20
self.flag_dim = 50
self.radical_dim = 50
self.pinyin_dim = 50
#shape表示为[num,dim] 行数(个数)*列数(向量维度)
#设置LSTM的维度 神经元的个数
self.lstm_dim = 100
#学习率
self.lr = lr
#---------------------------------------------------------
#定义接收数据的placeholder [None,None] 批次 句子长度
self.char_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='char_inputs')
self.bound_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='bound_inputs')
self.flag_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='flag_inputs')
self.radical_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='radical_inputs')
self.pinyin_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='pinyin_inputs')
self.targets = tf.placeholder(dtype=tf.int32,shape=[None,None],name='targets') #目标真实值
self.global_step = tf.Variable(0,trainable=False) #不能训练 用于计数
#---------------------------------------------------------
#传递给网络 计算模型输出值
#参数：输入的字、边界、词性、偏旁、拼音下标 -> network转换词向量并计算
#返回：网络输出值、每句话的真实长度
self.logits,self.lengths = self.get_logits(
self.char_inputs,
self.bound_inputs,
self.flag_inputs,
self.radical_inputs,
self.pinyin_inputs
)
#---------------------------------------------------------
#计算损失
#参数：模型输出值、真实标签序列、长度(不计算填充)
#返回：损失值
self.cost = self.loss(
self.logits,
self.targets,
self.lengths
)
#---------------------------------------------------------
#优化器优化 采用梯度截断技术
with tf.variable_scope('optimizer'):
opt = tf.train.AdamOptimizer(self.lr) #学习率
#计算所有损失函数的导数值
grad_vars = opt.compute_gradients(self.cost)
#梯度截断-导数值过大会导致步子迈得过大 梯度爆炸(因此限制在某个范围内)
#grad_vars记录每组参数导数和本身
clip_grad_vars = [[tf.clip_by_value(g,-5,5),v] for g,v in grad_vars]
#使用截断后的梯度更新参数 该方法每应用一次global_step参数自动加1
self.train_op = opt.apply_gradients(clip_grad_vars,self.global_step)
#模型保存 保留最近5次模型
self.saver = tf.train.Saver(tf.global_variables(),max_to_keep=5)
新建 train.py 文件，并撰写训练代码。
- 第一步，首先引入BatchManager类。我们可以用之前data_utils.py脚本定义的BatchManager直接调用处理好的训练集和测试集。
- 第二步，自定义函数读取字典dict.pkl内容，该文件存储了实体六元组。
- 第三步，引入model类搭建模型。
核心代码如下图所示，我们先尝试运行下代码：
在调试程序时，我们可以增加断点单步调试，也可以print打桩输出。比如：
(1) network模型分析
重点是观察network函数（model.py）的参数变化情况。神经网络的输出结果如下，核心功能包括：
- 调用tf.nn.embedding_lookup函数完成词向量映射
- 调用rnn.BasicLSTMCell构建LSTM网络
- 调用tf.nn.bidirectional_dynamic_rnn组合BiLSTM，两层BiLSTM
- 两层全连接层将维度转换成31，相当于做31分类（对应实体类别）
– result = tf.nn.relu(tf.matmul(result,w)+b)
– result = tf.matmul(result,w)+b
计算六元组个数
字: 1663
边界: 5
词性: 56
偏旁: 227
拼音: 989
类别: 31
""""初始化操作"""
model init: 1663 5 56 227 989 31
shapes: {'char': [1663, 100], 'bound': [5, 20], 'flag': [56, 50],
'radical': [227, 50], 'pinyin': [989, 50]}
Network Shape: ['char', 'bound', 'flag', 'radical', 'pinyin']
"""词向量映射 每个字映射100维向量 [None,None,100]"""
Network Input: {'char': <tf.Tensor 'char_inputs:0' shape=(?, ?) dtype=int32>,...
Network Embedding: [
<tf.Tensor 'char_embedding' shape=(?, ?, 100) dtype=float32>,
<tf.Tensor 'bound_embedding' shape=(?, ?, 20) dtype=float32>,
<tf.Tensor 'flag_embedding' shape=(?, ?, 50) dtype=float32>,
<tf.Tensor 'radical_embedding' shape=(?, ?, 50) dtype=float32>,
<tf.Tensor 'pinyin_embedding' shape=(?, ?, 50) dtype=float32>
]
"""合并270维度"""
Network Embed: Tensor("concat:0", shape=(?, ?, 270), dtype=float32)
""""神经网络 2个LSTM组织(各100个神经元)"""
Network BiLSTM-1: Tensor("concat_1:0", shape=(?, ?, 200), dtype=float32)
Network BiLSTM-2: Tensor("concat_2:0", shape=(?, ?, 200), dtype=float32)
Dense-1: Tensor("project_layer1/Relu:0", shape=(?, 100), dtype=float32)
Dense-2: Tensor("project_layer2/add:0", shape=(?, 31), dtype=float32)
"""二维转三维输出最终结果"""
Result: Tensor("Reshape_1:0", shape=(?, ?, 31), dtype=float32)
(2) loss计算
核心功能包括：
- 获取真实长度、输入数据集 [批次大小, 序列长度, 31个实体类别]、真实标签
- 计算损失
-用crf_log_likelihood计算条件随机场的对数似然
Loss lengths: Tensor("strided_slice_1:0", shape=(), dtype=int32)
Loss Inputs: Tensor("Reshape_1:0", shape=(?, ?, 31), dtype=float32)
Loss Targets: Tensor("targets:0", shape=(?, ?), dtype=int32)
Loss Logits: Tensor("crf_loss/concat_2:0", shape=(?, ?, 32), dtype=float32)
Loss Targets: Tensor("crf_loss/concat_3:0", shape=(?, ?), dtype=int32)
Loss loglikehood: Tensor("crf_loss/sub:0", dtype=float32)
Loss Trans: <tf.Variable 'crf_loss/trans:0' shape=(32, 32) dtype=float32_ref>
Cost: Tensor("crf_loss/Mean:0", shape=(), dtype=float32)
Optimizer: name: "optimizer/Adam"
op: "AssignAdd"
input: "Variable"
input: "optimizer/Adam/value"
attr {
key: "T"
value {
type: DT_INT32
}
}
attr {
key: "_class"
value {
list {
s: "loc:@Variable"
}
}
}
attr {
key: "use_locking"
value {
b: false
}
}
最后构造优化器，采用梯度截断技术及保存模型。
注意，可能报错“AttributeError: module ‘tensorflow._api.v1.nn’ has no attribute ‘bidirectional_dynamic_run’”，注意版本问题，百度修改成对应的函数即可，作者是tensorflow1.15。
上面将模型建立好之后，我们尝试调用模型进行误差训练，train.py代码如下，这里的喂数据操作可以封装到类中实现。
# -*- coding: utf-8 -*-
"""
Created on Thu Jan 7 18:57:23 2021
@author: xiuzhang
"""
import tensorflow as tf
from data_utils import BatchManager
import pickle
from model import Model
#-----------------------------功能：读取字典---------------------------
dict_file = 'data/dict.pkl'
def get_dict(path):
with open(path, 'rb') as f:
data = pickle.load(f)
return data
#-----------------------------功能：训练函数---------------------------
batch_size = 20
def train():
#调用已定义的方法获取处理好的数据集
train_manager = BatchManager(batch_size, name='train')
print('train:', type(train_manager)) #<class 'data_utils.BatchManager'>
#读取字典
mapping_dict = get_dict(dict_file)
print('train:', len(mapping_dict)) #6
print('计算六元组个数')
print('字:', len(mapping_dict['word'][0])) #1663
print('边界:', len(mapping_dict['bound'][0])) #5
print('词性:', len(mapping_dict['flag'][0])) #56
print('偏旁:', len(mapping_dict['radical'][0])) #227
print('拼音:', len(mapping_dict['pinyin'][0])) #989
print('类别:', len(mapping_dict['label'][0]),'\n') #31
#-------------------------搭建模型---------------------------
#实例化模型 执行init初始化方法model核心函数：
# 1.get_logits：传递给网络 计算模型输出值
# 2.loss：计算损失值
#-----------------------------------------------------------
model = Model(mapping_dict)
print("---------------模型构建成功---------------------\n")
#初始化训练
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for i in range(10):
#调用iter_batch函数 迭代过程可以让梯度下降在不断尝试找到最优解
for batch in train_manager.iter_batch(shuffle=True): #乱序
#print(len(batch)) #6个类型
#print(len(batch[0]),len(batch[1]),len(batch[2])) #20个
#每次获取一个批次的数据 feed_dict喂数据 placeholder用于接收神经网络数据
_,loss = sess.run([model.train_op,model.cost],feed_dict={
model.char_inputs : batch[0],
model.bound_inputs : batch[2],
model.flag_inputs : batch[3],
model.radical_inputs : batch[4],
model.pinyin_inputs : batch[5],
model.targets : batch[1] #注意顺序
})
print('loss:{}'.format(loss))
#---------------------------功能:主函数---------------------------------
if __name__ == '__main__':
train()
输出结果如下图示，可以看到loss从大到小。
loss:545.8291625976562
loss:901.7841796875
loss:442.2290954589844
loss:876.3251953125
loss:332.58746337890625
loss:674.8977661132812
loss:409.48663330078125
loss:220.19033813476562
.....
loss:31.463674545288086
loss:45.567161560058594
loss:98.6595458984375
loss:72.75428009033203
loss:52.30353927612305
问题：
这里需要注意一个问题，如下所示。该问题通常是词向量映射错误导致，但这个问题困扰了我两天，调试了很长时间代码。终于解决，泪奔~
- InvalidArgumentError: indices[0,2] = 7 is not in [0, 5)
- embedding.append(tf.nn.embedding_lookup(lookup,inputs[key]))
原因：
我们最终生成的CSV文件格式是word、label、bound、flag、radical、pinyin顺序，但是后面写入dict.pkl文件及feed_dict喂入数据训练的顺序不一致。这导致最终映射的词向量不一致，造成了“InvalidArgumentError: indices[0,2] = 7 is not in [0, 5)”。
解决方法：
由于之前预处理CSV文件按照char, target, bound, flag, radical, pinyin这个顺序，所以生成的dict.pkl也需要按照这个顺序读写，而feed_dict时读取dict.pkl顺序也需要按照这个顺序，标签是第2列。因此，修改方法：
- 所有顺序需要一致，重新按char, target, bound, flag, radical, pinyin生成dict.pkl文件；
– data_utils.py: char, target, bound, flag, radical, pinyin = line - feed_dict顺序调整
– model.targets:batch[1] - 建议包含target（label）的操作，如读取、赋值、写入均按照统一的顺序执行，除非是字典按照关键词调用（如shapes[‘char’]）。
- 在Model类中定义run_step函数分批处理数据
- 在Model类中定义decode函数解码，通过模型输出和转义矩阵预测
- 在Model类中定义predict函数预测
- 在train.py中分配输出
输出结果如下图所示：
代码下载地址：
#encoding:utf-8
"""
Created on Thu Jan 7 12:56:40 2021
@author: xiuzhang
"""
import tensorflow as tf
import numpy as np
from tensorflow.contrib import rnn
#计算条件随机场的对数似然
from tensorflow.contrib.crf import crf_log_likelihood, viterbi_decode
#---------------------------功能：预测计算函数-----------------------------
def network(inputs,shapes,num_entity,lstm_dim=100,
initializer=tf.truncated_normal_initializer):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None] 批次数量*每个批次句子长度
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:param shapes: 词向量形状字典
:param lstm_dim: 神经元的个数
:param num_entity: 实体标签数量 31种类型
:param initializer: 初始化函数
:return
"""
#--------------------------------------------------
#特征嵌入:将所有特征的id转换成一个固定长度的向量
#--------------------------------------------------
embedding = []
keys = list(shapes.keys())
print("Network Input:", inputs)
#{'char':<tf.Tensor 'char_inputs_10:0' shape=(?, ?) dtype=int32>,
print("Network Shape:", keys)
#['char', 'bound', 'flag', 'radical', 'pinyin']
#循环将五类特征转换成词向量 后续拼接
for key in keys: #char
with tf.variable_scope(key+'_embedding'):
#获取汉字信息
lookup = tf.get_variable(
name = key + '_embedding', #名称
shape = shapes[key], #[num,dim] 行数(字个数)*列数(向量维度) 1663*100
initializer = initializer
)
#词向量映射 汉字结果[None,None,100] 每个字映射100维向量 inputs对应每个字
embedding.append(tf.nn.embedding_lookup(lookup, inputs[key]))
print("Network Embedding:", embedding)
#[<tf.Tensor 'char_embedding_14:0' shape=(?, ?, 100) dtype=float32>,
#拼接词向量 shape[None,None,char_dim+bound_dim+flag_dim+radical_dim+pinyin_dim]
embed = tf.concat(embedding,axis=-1) #最后一个维度上拼接 -1
print("Network Embed:", embed, '\n')
#Tensor("concat:0", shape=(?, ?, 270), dtype=float32)
#lengths: 计算输入inputs每句话的实际长度(填充内容不计算)
#填充值PAD下标为0 因此总长度减去PAD数量即为实际长度 从而提升运算效率
sign = tf.sign(tf.abs(inputs[keys[0]])) #char 字符长度
lengths = tf.reduce_sum(sign, reduction_indices=1) #第二个维度
#获取填充序列长度 char的第二个维度
num_time = tf.shape(inputs[keys[0]])[1]
print(sign, lengths, num_time)
#Tensor("Sign:0", shape=(?, ?), dtype=int32)
#Tensor("Sum:0", shape=(?,), dtype=int32)
#Tensor("strided_slice:0", shape=(), dtype=int32)
#--------------------------------------------------
#循环神经网络编码: 双层双向网络
#--------------------------------------------------
#第一层
with tf.variable_scope('BiLSTM_layer1'):
lstm_cell = {}
#第一层前向 后向
for name in ['forward','backward']:
with tf.variable_scope(name): #设置名称
lstm_cell[name] = rnn.BasicLSTMCell(
lstm_dim #神经元的个数
)
#BiLSTM 2个LSTM组成(各100个神经元)
outputs1,finial_states1 = tf.nn.bidirectional_dynamic_rnn(
lstm_cell['forward'],
lstm_cell['backward'],
embed,
dtype = tf.float32,
sequence_length = lengths #序列实际长度(该参数可省略)
)
#拼接前向LSTM和后向LSTM输出
outputs1 = tf.concat(outputs1,axis=-1) #b,L,2*lstm_dim
print('Network BiLSTM-1:', outputs1)
#Tensor("concat_1:0", shape=(?, ?, 200), dtype=float32)
#第二层
with tf.variable_scope('BiLSTM_layer2'):
lstm_cell = {}
#第一层前向 后向
for name in ['forward','backward']:
with tf.variable_scope(name): #设置名称
lstm_cell[name] = rnn.BasicLSTMCell(
lstm_dim #神经元的个数
)
#BiLSTM
outputs,finial_states = tf.nn.bidirectional_dynamic_rnn(
lstm_cell['forward'],
lstm_cell['backward'],
outputs1, #是否利用第一层网络
dtype = tf.float32,
sequence_length = lengths #序列实际长度(该参数可省略)
)
#最终结果 [batch_size,maxlength,2*lstm_dim] 即200
result = tf.concat(outputs,axis=-1)
print('Network BiLSTM-2:', result)
#Tensor("concat_2:0", shape=(?, ?, 200), dtype=float32)
#--------------------------------------------------
#输出全连接映射
#--------------------------------------------------
#转换成二维矩阵再进行乘法操作 [batch_size*maxlength,2*lstm_dim]
result = tf.reshape(result, [-1,2*lstm_dim])
#第一层映射 矩阵乘法 200映射到100
with tf.variable_scope('project_layer1'):
#权重
w = tf.get_variable(
name = 'w',
shape = [2*lstm_dim,lstm_dim], #转100维
initializer = initializer
)
#bias
b = tf.get_variable(
name = 'b',
shape = [lstm_dim],
initializer = tf.zeros_initializer()
)
#运算 激活函数relu
result = tf.nn.relu(tf.matmul(result,w)+b)
print("Dense-1:",result)
#Tensor("project_layer1/Relu:0", shape=(?, 100), dtype=float32)
#第二层映射 矩阵乘法 100映射到31
with tf.variable_scope('project_layer2'):
#权重
w = tf.get_variable(
name = 'w',
shape = [lstm_dim,num_entity], #31种实体类别
initializer = initializer
)
#bias
b = tf.get_variable(
name = 'b',
shape = [num_entity],
initializer = tf.zeros_initializer()
)
#运算 激活函数relu 最后一层不激活
result = tf.matmul(result,w)+b
print("Dense-2:",result)
#Tensor("project_layer2/add:0", shape=(?, 31), dtype=float32)
#形状转换成三维
result = tf.reshape(result, [-1,num_time,num_entity])
print('Result:', result, "\n")
#Tensor("Reshape_1:0", shape=(?, ?, 31), dtype=float32)
#[batch_size,max_length,num_entity]
return result,lengths
#-----------------------------功能：定义模型类---------------------------
class Model(object):
#---------------------------------------------------------
#初始化
def __init__(self, dict_, lr=0.0001):
#通过dict.pkl计算各个特征数量
self.num_char = len(dict_['word'][0])
self.num_bound = len(dict_['bound'][0])
self.num_flag = len(dict_['flag'][0])
self.num_radical = len(dict_['radical'][0])
self.num_pinyin = len(dict_['pinyin'][0])
self.num_entity = len(dict_['label'][0])
print('model init:', self.num_char, self.num_bound, self.num_flag,
self.num_radical, self.num_pinyin, self.num_entity)
#字符映射成向量的维度
self.char_dim = 100
self.bound_dim = 20
self.flag_dim = 50
self.radical_dim = 50
self.pinyin_dim = 50
#shape表示为[num,dim] 行数(个数)*列数(向量维度)
#设置LSTM的维度 神经元的个数
self.lstm_dim = 100
#学习率
self.lr = lr
#保存初始化字典
self.map = dict_
#---------------------------------------------------------
#定义接收数据的placeholder [None,None] 批次 句子长度
self.char_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='char_inputs')
self.bound_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='bound_inputs')
self.flag_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='flag_inputs')
self.radical_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='radical_inputs')
self.pinyin_inputs = tf.placeholder(dtype=tf.int32,shape=[None,None],name='pinyin_inputs')
self.targets = tf.placeholder(dtype=tf.int32,shape=[None,None],name='targets') #目标真实值
self.global_step = tf.Variable(0,trainable=False) #不能训练 用于计数
#---------------------------------------------------------
#传递给网络 计算模型输出值
#参数：输入的字、边界、词性、偏旁、拼音下标 -> network转换词向量并计算
#返回：网络输出值、每句话的真实长度
self.logits,self.lengths = self.get_logits(
self.char_inputs,
self.bound_inputs,
self.flag_inputs,
self.radical_inputs,
self.pinyin_inputs
)
#---------------------------------------------------------
#计算损失
#参数：模型输出值、真实标签序列、长度(不计算填充)
#返回：损失值
self.cost = self.loss(
self.logits,
self.targets,
self.lengths
)
print("Cost:", self.cost)
#---------------------------------------------------------
#优化器优化 采用梯度截断技术
with tf.variable_scope('optimizer'):
opt = tf.train.AdamOptimizer(self.lr) #学习率
#计算所有损失函数的导数值
grad_vars = opt.compute_gradients(self.cost)
#梯度截断-导数值过大会导致步子迈得过大 梯度爆炸(因此限制在某个范围内)
#grad_vars记录每组参数导数和本身
clip_grad_vars = [[tf.clip_by_value(g,-5,5),v] for g,v in grad_vars]
#使用截断后的梯度更新参数 该方法每应用一次global_step参数自动加1
self.train_op = opt.apply_gradients(clip_grad_vars, self.global_step)
print("Optimizer:", self.train_op)
#模型保存 保留最近5次模型
self.saver = tf.train.Saver(tf.global_variables(),max_to_keep=5)
#---------------------------------------------------------
#定义网络 接收批次样本
def get_logits(self,char,bound,flag,radical,pinyin):
"""
功能：接收一个批次样本的特征数据，计算网络的输出值
:param char: int, id of chars a tensor of shape 2-D [None,None]
:param bound: int, a tensor of shape 2-D [None,None]
:param flag: int, a tensor of shape 2-D [None,None]
:param radical: int, a tensor of shape 2-D [None,None]
:param pinyin: int, a tensor of shape 2-D [None,None]
:return: 返回3-d tensor [batch_size,max_length,num_entity]
"""
#定义字典传参
shapes = {}
shapes['char'] = [self.num_char,self.char_dim]
shapes['bound'] = [self.num_bound,self.bound_dim]
shapes['flag'] = [self.num_flag,self.flag_dim]
shapes['radical'] = [self.num_radical,self.radical_dim]
shapes['pinyin'] = [self.num_pinyin,self.pinyin_dim]
print("shapes:", shapes, '\n')
#{'char': [1663, 100], 'bound': [5, 20], 'flag': [56, 50],
# 'radical': [227, 50], 'pinyin': [989, 50]}
#输入参数定义字典
inputs = {}
inputs['char'] = char
inputs['bound'] = bound
inputs['flag'] = flag
inputs['radical'] = radical
inputs['pinyin'] = pinyin
#return network(char,bound,flag,radical,pinyin,shapes)
return network(inputs,shapes,lstm_dim=self.lstm_dim,num_entity=self.num_entity)
#--------------------------功能：定义loss CRF模型-------------------------
#参数: 模型输出值 真实标签序列 长度(不计算填充)
def loss(self,result,targets,lengths):
#获取长度
b = tf.shape(lengths)[0] #真实长度 该值只有一维
num_steps = tf.shape(result)[1] #含填充
print("Loss lengths:", b, num_steps)
print("Loss Inputs:", result)
print("Loss Targets:", targets)
#转移矩阵
with tf.variable_scope('crf_loss'):
#取log相当于概率接近0
small = -1000.0
#初始时刻状态
start_logits = tf.concat(
#前31个-1000概率为0 最后一个start为0取log为1
[small*tf.ones(shape=[b,1,self.num_entity]),tf.zeros(shape=[b,1,1])],
axis = -1 #两个矩阵在最后一个维度合并
)
#X值拼接 每个时刻加一个状态
pad_logits = tf.cast(small*tf.ones([b,num_steps,1]),tf.float32)
logits = tf.concat([result, pad_logits], axis=-1)
logits = tf.concat([start_logits,logits], axis=1) #第二个位置拼接
print("Loss Logits:", logits)
#Y值拼接
targets = tf.concat(
[tf.cast(self.num_entity*tf.ones([b,1]),tf.int32),targets],
axis = -1
)
print("Loss Targets:", targets)
#计算
self.trans = tf.get_variable(
name = 'trans',
#初始概率start加1 最终32个
shape = [self.num_entity+1,self.num_entity+1],
initializer = tf.truncated_normal_initializer()
)
#损失 计算条件随机场的对数似然 每个样本计算几个值
log_likehood, self.trans = crf_log_likelihood(
inputs = logits, #输入
tag_indices = targets, #目标
transition_params = self.trans,
sequence_lengths = lengths #真实样本长度
)
print("Loss loglikehood:", log_likehood)
print("Loss Trans:", self.trans)
#返回所有样本平均值 数加个负号损失最小化
return tf.reduce_mean(-log_likehood)
#--------------------------功能：分步运行-------------------------
#参数: 会话、分批数据、训练预测
def run_step(self,sess,batch,is_train=True):
if is_train:
feed_dict = {
self.char_inputs : batch[0],
self.bound_inputs : batch[2],
self.flag_inputs : batch[3],
self.radical_inputs : batch[4],
self.pinyin_inputs : batch[5],
self.targets : batch[1] #注意顺序
}
#训练计算损失
_,loss = sess.run([self.train_op,self.cost], feed_dict=feed_dict)
return loss
else: #预测没有类标
feed_dict = {
self.char_inputs : batch[0],
self.bound_inputs : batch[2],
self.flag_inputs : batch[3],
self.radical_inputs : batch[4],
self.pinyin_inputs : batch[5],
}
#测试计算结果
logits,lengths = sess.run([self.logits, self.lengths], feed_dict=feed_dict)
return logits,lengths
#--------------------------功能：解码获取id-------------------------
#参数:模型输出值、真实长度、转移矩阵(用于解码)
def decode(self,logits,lengths,matrix):
#保留概率最大路径
paths = []
small = -1000.0
#每个样本解码 31种类别+最后一个是0
start = np.asarray([[small]*self.num_entity+[0]])
#获取每句话的成绩和样本真实长度
for score,length in zip(logits,lengths):
score = score[:length] #只取有效字符的输出
pad = small*np.ones([length,1])
#拼接
logits = np.concatenate([score,pad],axis=-1)
logits = np.concatenate([start,logits],axis=0)
#解码
path,_ = viterbi_decode(logits,matrix)
paths.append(path[1:])
#paths获取的是id 还需要转换成对应的实体标签
return paths
#--------------------------功能：预测分析-------------------------
#参数: 会话、批次
def predict(self,sess,batch):
results = []
#获取转移矩阵
matrix = self.trans.eval()
#获取模型结果 执行测试
logits, lengths = self.run_step(sess, batch, is_train=False)
#调用解码函数获取paths
paths = self.decode(logits, lengths, matrix)
#查看字及对应的标记
chars = batch[0]
for i in range(len(paths)): #有多少路径就有多少句子
#获取第i句话真实长度
length = lengths[i]
#第i句话真实的字
chars[i][:length]
#ID转换成对应的每个字
#map['word'][1]是字典
string = [self.map['word'][1][index] for index in chars[i][:length]]
#获取tag
tags = [self.map['label'][0][index] for index in paths[i]]
#形成完整列表
result = [k for c,t in zip(string,tags)]
results.append(result)
#获取预测值
return results
# -*- coding: utf-8 -*-
"""
Created on Thu Jan 7 18:57:23 2021
@author: xiuzhang
"""
import tensorflow as tf
from data_utils import BatchManager
import pickle
from model import Model
import time
#-----------------------------功能：读取字典---------------------------
dict_file = 'data/dict.pkl'
def get_dict(path):
with open(path, 'rb') as f:
data = pickle.load(f)
return data
#-----------------------------功能：训练函数---------------------------
batch_size = 20
def train():
#调用已定义的方法获取处理好的数据集
train_manager = BatchManager(batch_size=20, name='train')
print('train:', type(train_manager)) #<class 'data_utils.BatchManager'>
test_manager = BatchManager(batch_size=100, name='test')
#读取字典
mapping_dict = get_dict(dict_file)
print('train:', len(mapping_dict)) #6
print('计算六元组个数')
print('字:', len(mapping_dict['word'][0])) #1663
print('边界:', len(mapping_dict['bound'][0])) #5
print('词性:', len(mapping_dict['flag'][0])) #56
print('偏旁:', len(mapping_dict['radical'][0])) #227
print('拼音:', len(mapping_dict['pinyin'][0])) #989
print('类别:', len(mapping_dict['label'][0]),'\n') #31
#-------------------------搭建模型---------------------------
#实例化模型 执行init初始化方法model核心函数：
# 1.get_logits：传递给网络 计算模型输出值
# 2.loss：计算损失值
#-----------------------------------------------------------
model = Model(mapping_dict)
print("---------------模型构建成功---------------------\n")
#初始化训练
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for i in range(10):
j = 1
#调用iter_batch函数 迭代过程可以让梯度下降在不断尝试找到最优解
for batch in train_manager.iter_batch(shuffle=True): #乱序
#时间计算
start = time.time()
#调用自定义函数
loss = model.run_step(sess,batch)
end = time.time()
#每10批输出
if j % 10==0:
#第几轮 每批数量 多少批次 损失 消耗时间 剩余估计时间
print('epoch:{},step:{}/{},loss:{},elapse:{},estimate:{}'.format(
i+1,j,train_manager.len_data,
loss,(end-start),
(end-start)*(train_manager.len_data-j)))
j += 1
"""
#print(len(batch)) #6个类型
#print(len(batch[0]),len(batch[1]),len(batch[2])) #20个
#每次获取一个批次的数据 feed_dict喂数据 placeholder用于接收神经网络数据
_,loss = sess.run([model.train_op,model.cost],feed_dict={
model.char_inputs : batch[0],
model.bound_inputs : batch[2],
model.flag_inputs : batch[3],
model.radical_inputs : batch[4],
model.pinyin_inputs : batch[5],
model.targets : batch[1] #注意顺序
})
print('loss:{}'.format(loss))
#InvalidArgumentError: indices[0,2] = 7 is not in [0, 5)
#注意:feed_dict对应数据必须一致,最早CSV文件label为第2列,所有文件写返回值顺序一致
#data_utils.py: char, target, bound, flag, radical, pinyin = line
"""
#--------------------------------------------------
#每迭代一轮进行预测
for batch in test_manager.iter_batch(shuffle=True):
print(model.predict(sess,batch))
#----------------------------功能:主函数---------------------------------
if __name__ == '__main__':
train()
#encoding:utf-8
import pandas as pd
import pickle
import numpy as np
from tqdm import tqdm
import os
import math
import random
#功能:获取值对应的下标 参数为列表和字符
def item2id(data,w2i):
#x在字典中直接获取 不在字典中返回UNK
return [w2i[x] if x in w2i else w2i['UNK'] for x in data]
#----------------------------功能:拼接文件---------------------------------
def get_data_with_windows(name='train'):
#读取prepare_data.py生成的dict.pkl文件 存储字典{类别:下标}
with open(f'data/dict.pkl', 'rb') as f:
map_dict = pickle.load(f) #加载字典
#存储所有数据
results = []
root = os.path.join('data/prepare/'+name)
files = list(os.listdir(root))
print(files)
#['10.csv', '11.csv', '12.csv',.....]
#获取所有文件 进度条
for file in tqdm(files):
all_data = []
path = os.path.join(root, file)
samples = pd.read_csv(path,sep=',')
max_num = len(samples)
#获取sep换行分隔符下标 -1 20 40 60
sep_index = [-1]+samples[samples['word']=='sep'].index.tolist()+[max_num]
#print(sep_index)
#[-1, 83, 92, 117, 134, 158, 173, 200,......]
#----------------------------------------------------------------------
# 获取句子并将句子全部都转换成id
#----------------------------------------------------------------------
for i in range(len(sep_index)-1):
start = sep_index[i] + 1 #0 (-1+1)
end = sep_index[i+1] #20
data = []
#每个特征进行处理
for feature in samples.columns: #访问每列
#通过函数item2id获取下标 map_dict两个值(列表和字典) 获取第二个值
data.append(item2id(list(samples[feature])[start:end],map_dict[feature][1]))
#将每句话的列表合成
all_data.append(data)
#----------------------------------------------------------------------
# 数据增强
#----------------------------------------------------------------------
#前后两个句子拼接 每个句子六个元素(汉字、边界、词性、类别、偏旁、拼音)
two = []
for i in range(len(all_data)-1):
first = all_data[i]
second = all_data[i+1]
two.append([first[k]+second[k] for k in range(len(first))]) #六个元素
three = []
for i in range(len(all_data)-2):
first = all_data[i]
second = all_data[i+1]
third = all_data[i+2]
three.append([first[k]+second[k]+third[k] for k in range(len(first))])
#返回所有结果
results.extend(all_data+two+three)
#return results
#数据存储至本地 每次调用时间成本过大
with open(f'data/'+name+'.pkl', 'wb') as f:
pickle.dump(results, f)
#----------------------------功能:批处理---------------------------------
class BatchManager(object):
def __init__(self, batch_size, name='train'):
#调用函数拼接文件
#data = get_data_with_windows(name)
#读取文件
with open(f'data/'+name+'.pkl', 'rb') as f:
data = pickle.load(f)
print(len(data)) #265455句话
print(len(data[0])) #6种类别
print(len(data[0][0])) #第一句包含字的数量 83
print("原始数据:", data[0])
#数据批处理
self.batch_data = self.sort_and_pad(data, batch_size)
self.len_data = len(self.batch_data)
def sort_and_pad(self, data, batch_size):
#计算总批次数量 26546
num_batch = int(math.ceil(len(data) / batch_size))
#按照句子长度排序
sorted_data = sorted(data, key=lambda x: len(x[0]))
batch_data = list()
#获取一个批次的数据
for i in range(num_batch):
batch_data.append(self.pad_data(sorted_data[i*int(batch_size) : (i+1)*int(batch_size)]))
print("分批输出:", batch_data[100])
return batch_data
@staticmethod
def pad_data(data_):
#定义变量
chars = []
bounds = []
flags = []
radicals = []
pinyins = []
targets = []
#print("每个批次句子个数:", len(data_)) #10
#print("每个句子包含元素个数:", len(data_[0])) #6
#print("输出data:", data_)
max_length = max([len(sentence[0]) for sentence in data_]) #值为1
#print(max_length)
#每个批次共有十组数据 每组数据均为六个元素
for line in data_:
#char, bound, flag, target, radical, pinyin = line
char, target, bound, flag, radical, pinyin = line
padding = [0] * (max_length - len(char)) #计算补充字符数量
#注意char和chars不要写错 否则造成递归循环赋值错误
chars.append(char + padding)
targets.append(target + padding)
bounds.append(bound + padding)
flags.append(flag + padding)
radicals.append(radical + padding)
pinyins.append(pinyin + padding)
return [chars, targets, bounds, flags, radicals, pinyins]
#每次使用一个批次数据
def iter_batch(self, shuffle=False):
if shuffle: #乱序
random.shuffle(self.batch_data)
for idx in range(self.len_data):
yield self.batch_data[idx]
#-------------------------------功能:主函数--------------------------------------
if __name__ == '__main__':
#1.拼接文件(第一次执行 后续可注释)
#get_data_with_windows('train')
#2.分批处理
train_data = BatchManager(10, 'train')
#3.接着处理下测试集数据
get_data_with_windows('test')
#encoding:utf-8
import os
import pickle
import pandas as pd
from collections import Counter
from data_process import split_text
from tqdm import tqdm #进度条 pip install tqdm
#词性标注
import jieba.posseg as psg
#获取字的偏旁和拼音
from cnradical import Radical, RunOption
#删除目录
import shutil
#随机划分训练集和测试集
from random import shuffle
#遍历文件包
from glob import glob
train_dir = "train_data"
#----------------------------功能:文本预处理---------------------------------
def process_text(idx, split_method=None, split_name='train'):
"""
功能: 读取文本并切割,接着打上标记及提取词边界、词性、偏旁部首、拼音等特征
param idx: 文件的名字 不含扩展名
param split_method: 切割文本方法
param split_name: 存储数据集 默认训练集, 还有测试集
return
"""
#定义字典 保存所有字的标记、边界、词性、偏旁部首、拼音等特征
data = {}
#--------------------------------------------------------------------
# 获取句子
#--------------------------------------------------------------------
if split_method is None:
#未给文本分割函数 -> 读取文件
with open(f'data/{train_dir}/{idx}.txt', encoding='utf8') as f: #f表示文件路径
texts = f.readlines()
else:
#给出文本分割函数 -> 按函数分割
with open(f'data/{train_dir}/{idx}.txt', encoding='utf8') as f:
outfile = f'data/train_data_pro/{idx}_pro.txt'
print(outfile)
texts = f.read()
texts = split_method(texts, outfile)
#提取句子
data['word'] = texts
print(texts)
#--------------------------------------------------------------------
# 获取标签(实体类别、起始位置)
#--------------------------------------------------------------------
#初始时将所有汉字标记为O
tag_list = ['O' for s in texts for x in s] #双层循环遍历每句话中的汉字
#读取ANN文件获取每个实体的类型、起始位置和结束位置
tag = pd.read_csv(f'data/{train_dir}/{idx}.ann', header=None, sep='\t') #Pandas读取 分隔符为tab键
#0 T1 Disease 1845 1850 1型糖尿病
for i in range(tag.shape[0]): #tag.shape[0]为行数
tag_item = tag.iloc[i][1].split(' ') #每一行的第二列 空格分割
#print(tag_item)
#存在某些实体包括两段位置区间 仅获取起始位置和结束位置
cls, start, end = tag_item[0], int(tag_item[1]), int(tag_item[-1])
#print(cls,start,end)
#对tag_list进行修改
tag_list[start] = 'B-' + cls
for j in range(start+1, end):
tag_list[j] = 'I-' + cls
#断言 两个长度不一致报错
assert len([x for s in texts for x in s])==len(tag_list)
#print(len([x for s in texts for x in s]))
#print(len(tag_list))
#--------------------------------------------------------------------
# 分割后句子匹配标签
#--------------------------------------------------------------------
tags = []
start = 0
end = 0
#遍历文本
for s in texts:
length = len(s)
end += length
tags.append(tag_list[start:end])
start += length
print(len(tags))
#标签数据存储至字典中
data['label'] = tags
#--------------------------------------------------------------------
# 提取词性和词边界
#--------------------------------------------------------------------
#初始标记为M
word_bounds = ['M' for item in tag_list] #边界 M表示中间
word_flags = [] #词性
#分词
for text in texts:
#带词性的结巴分词
for word, flag in psg.cut(text):
if len(word)==1: #1个长度词
start = len(word_flags)
word_bounds[start] = 'S' #单个字
word_flags.append(flag)
else:
start = len(word_flags)
word_bounds[start] = 'B' #开始边界
word_flags += [flag]*len(word) #保证词性和字一一对应
end = len(word_flags) - 1
word_bounds[end] = 'E' #结束边界
#存储
bounds = []
flags = []
start = 0
end = 0
for s in texts:
length = len(s)
end += length
bounds.append(word_bounds[start:end])
flags.append(word_flags[start:end])
start += length
data['bound'] = bounds
data['flag'] = flags
#--------------------------------------------------------------------
# 获取拼音和偏旁特征
#--------------------------------------------------------------------
radical = Radical(RunOption.Radical) #提取偏旁部首
pinyin = Radical(RunOption.Pinyin) #提取拼音
#提取拼音和偏旁 None用特殊符号替代UNK
radical_out = [[radical.trans_ch(x) if radical.trans_ch(x) is not None else 'UNK' for x in s] for s in texts]
pinyin_out = [[pinyin.trans_ch(x) if pinyin.trans_ch(x) is not None else 'UNK' for x in s] for s in texts]
#赋值
data['radical'] = radical_out
data['pinyin'] = pinyin_out
#--------------------------------------------------------------------
# 存储数据
#--------------------------------------------------------------------
#获取样本数量
num_samples = len(texts) #行数
num_col = len(data.keys()) #列数 字典自定义类别数 6
print(num_samples)
print(num_col)
dataset = []
for i in range(num_samples):
records = list(zip(*[list(v[i]) for v in data.values()])) #压缩
dataset += records+[['sep']*num_col] #每处理一句话sep分割
#records = list(zip(*[list(v[0]) for v in data.values()]))
#for r in records:
# print(r)
#最后一行sep删除
dataset = dataset[:-1]
#转换成dataframe 增加表头
dataset = pd.DataFrame(dataset,columns=data.keys())
#保存文件 测试集 训练集
save_path = f'data/prepare/{split_name}/{idx}.csv'
dataset.to_csv(save_path,index=False,encoding='utf-8')
#--------------------------------------------------------------------
# 处理换行符 w表示一个字
#--------------------------------------------------------------------
def clean_word(w):
if w=='\n':
return 'LB'
if w in [' ','\t','\u2003']: #中文空格\u2003
return 'SPACE'
if w.isdigit(): #将所有数字转换为一种符号 数字训练会造成干扰
return 'NUM'
return w
#对dataframe应用函数
dataset['word'] = dataset['word'].apply(clean_word)
#存储数据
dataset.to_csv(save_path,index=False,encoding='utf-8')
#return texts, tags, bounds, flags
#return texts[0], tags[0], bounds[0], flags[0], radical_out[0], pinyin_out[0]
#----------------------------功能:预处理所有文本---------------------------------
def multi_process(split_method=None,train_ratio=0.8):
"""
功能: 对所有文本尽心预处理操作
param split_method: 切割文本方法
param train_ratio: 训练集和测试集划分比例
return
"""
#删除目录
if os.path.exists('data/prepare/'):
shutil.rmtree('data/prepare/')
#创建目录
if not os.path.exists('data/prepare/train/'):
os.makedirs('data/prepare/train/')
os.makedirs('data/prepare/test/')
#获取所有文件名
idxs = set([file.split('.')[0] for file in os.listdir('data/'+train_dir)])
idxs = list(idxs)
#随机划分训练集和测试集
shuffle(idxs) #打乱顺序
index = int(len(idxs)*train_ratio) #获取训练集的截止下标
#获取训练集和测试集文件名集合
train_ids = idxs[:index]
test_ids = idxs[index:]
#--------------------------------------------------------------------
# 引入多进程
#--------------------------------------------------------------------
#线程池方式调用
import multiprocessing as mp
num_cpus = mp.cpu_count() #获取机器CPU的个数
pool = mp.Pool(num_cpus)
results = []
#训练集处理
for idx in train_ids:
result = pool.apply_async(process_text, args=(idx,split_method,'train'))
results.append(result)
#测试集处理
for idx in test_ids:
result = pool.apply_async(process_text, args=(idx,split_method,'test'))
results.append(result)
#关闭进程池
pool.close()
pool.join()
[r.get for r in results]
#----------------------------功能:生成映射字典---------------------------------
#统计函数：列表、频率计算阈值
def mapping(data,threshold=10,is_word=False,sep='sep',is_label=False):
#统计列表data中各种类型的个数
count = Counter(data)
#删除之前自定义的sep换行符
if sep is not None:
count.pop(sep)
#判断是汉字 未登录词处理 出现频率较少 设置为Unknown
if is_word:
#设置下列两个词频次 排序靠前
count['PAD'] = 100000001 #填充字符 保证长度一致
count['UNK'] = 100000000 #未知标记
#降序排列
data = sorted(count.items(),key=lambda x:x[1], reverse=True)
#去除频率小于threshold的元素
data = [x[0] for x in data if x[1]>=threshold]
#转换成字典
id2item = data
item2id = {id2item[i]:i for i in range(len(id2item))}
elif is_label:
#label标签不加PAD
data = sorted(count.items(),key=lambda x:x[1], reverse=True)
data = [x[0] for x in data]
id2item = data
item2id = {id2item[i]:i for i in range(len(id2item))}
else:
count['PAD'] = 100000001
data = sorted(count.items(),key=lambda x:x[1], reverse=True)
data = [x[0] for x in data]
id2item = data
item2id = {id2item[i]:i for i in range(len(id2item))}
return id2item, item2id
#生成映射字典
def get_dict():
#获取所有内容
all_w = [] #汉字
all_label = [] #类别
all_bound = [] #边界
all_flag = [] #词性
all_radical = [] #偏旁
all_pinyin = [] #拼音
#读取文件
for file in glob('data/prepare/train/*.csv') + glob('data/prepare/test/*.csv'):
df = pd.read_csv(file,sep=',')
all_w += df['word'].tolist()
all_label += df['label'].tolist()
all_bound += df['bound'].tolist()
all_flag += df['flag'].tolist()
all_radical += df['radical'].tolist()
all_pinyin += df['pinyin'].tolist()
#保存返回结果 字典
map_dict = {}
#调用统计函数
map_dict['word'] = mapping(all_w,threshold=20,is_word=True)
map_dict['label'] = mapping(all_label,is_label=True)
map_dict['bound'] = mapping(all_bound)
map_dict['flag'] = mapping(all_flag)
map_dict['radical'] = mapping(all_radical)
map_dict['pinyin'] = mapping(all_pinyin)
#字典保存内容
#return map_dict
#保存字典数据至文件
with open(f'data/dict.pkl', 'wb') as f:
pickle.dump(map_dict,f)
#-------------------------------功能:主函数--------------------------------------
if __name__ == '__main__':
#print(process_text('0',split_method=split_text,split_name='train'))
#1.多线程处理文本
#multi_process(split_text)
#2.生成映射字典
#print(get_dict())
get_dict()
#3.读取get_dict函数保存的字典文件
with open(f'data/dict.pkl', 'rb') as f:
data = pickle.load(f)
print(data['bound'])
#encoding:utf-8
import os
import re
#----------------------------功能:获取实体类别及个数---------------------------------
def get_entities(dirPath):
entities = {} #存储实体类别
files = os.listdir(dirPath) #遍历路径
#获取所有文件的名字并去重 0.ann => 0
filenames = set([file.split('.')[0] for file in files])
filenames = list(filenames)
#print(filenames)
#重新构造ANN文件名并遍历文件
for filename in filenames:
path = os.path.join(dirPath, filename+".ann")
#print(path)
#读文件
with open(path, 'r', encoding='utf8') as f:
for line in f.readlines():
#TAB键分割获取实体类型
name = line.split('\t')[1]
#print(name)
value = name.split(' ')[0]
#print(value)
#实体加入字典并统计个数
if value in entities:
entities[value] += 1 #在实体集合中数量加1
else:
entities[value] = 1 #创建键值且值为1
#返回实体集
return entities
#----------------------------功能:命名实体BIO标注--------------------------------
def get_labelencoder(entities):
#排序
entities = sorted(entities.items(), key=lambda x: x[1], reverse=True)
print(entities)
#获取实体类别名称
entities = [x[0] for x in entities]
print(entities)
#标记实体
id2label = []
id2label.append('O')
#生成实体标记
for entity in entities:
id2label.append('B-'+entity)
id2label.append('I-'+entity)
#字典键值生成
label2id = {id2label[i]:i for i in range(len(id2label))}
return id2label, label2id
#-------------------------功能:自定义分隔符文本分割------------------------------
def split_text(text, outfile):
#分割后的下标
split_index = []
#文件写入
fw = open(outfile, 'w', encoding='utf8')
#--------------------------------------------------------------------
# 文本分割
#--------------------------------------------------------------------
#第一部分 按照符号分割
pattern = '。|，|,|;|；|？|\?|\.'
#获取字符的下标位置
for m in re.finditer(pattern, text):
"""
print(m)
start = m.span()[0] #标点符号位置
print(text[start])
start = m.span()[0] - 5
end = m.span()[1] + 5
print('****', text[start:end], '****')
"""
#特殊符号下标
idx = m.span()[0]
#判断是否断句 contniue表示不能直接分割句子
if text[idx-1]=='\n': #当前符号前是换行符
continue
if text[idx-1].isdigit() and text[idx+1].isdigit(): #前后都是数字或数字+空格
continue
if text[idx-1].isdigit() and text[idx+1].isspace() and text[idx+2].isdigit():
continue
if text[idx-1].islower() and text[idx+1].islower(): #前后都是小写字母
continue
if text[idx-1].isupper() and text[idx+1].isupper(): #前后都是大写字母
continue
if text[idx-1].islower() and text[idx+1].isdigit(): #前面是小写字母 后面是数字
continue
if text[idx-1].isupper() and text[idx+1].isdigit(): #前面是大写字母 后面是数字
continue
if text[idx-1].isdigit() and text[idx+1].islower(): #前面是数字 后面是小写字母
continue
if text[idx-1].isdigit() and text[idx+1].isupper(): #前面是数字 后面是大写字母
continue
if text[idx+1] in set('.。;；,，'): #前后都是标点符号
continue
if text[idx-1].isspace() and text[idx-2].isspace() and text[idx-3].isupper():
continue #HBA1C 。两个空格+字母
if text[idx-1].isspace() and text[idx-3].isupper():
continue
#print('****', text[idx-20:idx+20], '****')
#将分句的下标存储至列表中 -> 标点符号后面的字符
split_index.append(idx+1)
#--------------------------------------------------------------------
#第二部分 按照自定义符号分割
#下列形式进行句子分割
pattern2 = '\([一二三四五六七八九十零]\)|[一二三四五六七八九十零]、|'
pattern2 += '注:|附录 |表 \d|Tab \d+|\[摘要\]|\[提要\]|表\d[^。，,;；]+?\n|'
pattern2 += '图 \d|Fig \d|\[Abdtract\]|\[Summary\]|前 言|【摘要】|【关键词】|'
pattern2 += '结 果|讨 论|and |or |with |by |because of |as well as '
#print(pattern2)
for m in re.finditer(pattern2, text):
idx = m.span()[0]
#print('****', text[idx-20:idx+20], '****')
#连接词位于单词中间不能分割 如 goodbye
if (text[idx:idx+2] in ['or','by'] or text[idx:idx+3]=='and' or text[idx:idx+4]=='with')\
and (text[idx-1].islower() or text[idx-1].isupper()):
continue
split_index.append(idx) #注意这里不加1 找到即分割
#--------------------------------------------------------------------
#第三部分 中文字符+数字分割
#判断序列且包含汉字的分割(2.接下来...) 同时小数不进行切割
pattern3 = '\n\d\.' #数字+点
for m in re.finditer(pattern3, text):
idx = m.span()[0]
if ischinese(text[idx+3]): #第四个字符为中文汉字 含换行
#print('****', text[idx-20:idx+20], '****')
split_index.append(idx+1)
#换行+数字+括号 (1)总体治疗原则:淤在选择降糖药物时
for m in re.finditer('\n\(\d\)', text):
idx = m.span()[0]
split_index.append(idx+1)
#--------------------------------------------------------------------
#获取句子分割下标后进行排序操作 增加第一行和最后一行
split_index = sorted(set([0, len(text)] + split_index))
split_index = list(split_index)
#print(split_index)
#计算机最大值和最小值
lens = [split_index[i+1]-split_index[i] for i in range(len(split_index)-1)]
#print(max(lens), min(lens))
#--------------------------------------------------------------------
# 长短句处理
#--------------------------------------------------------------------
#遍历每一个句子 (一)xxxx 分割
other_index = []
for i in range(len(split_index)-1):
begin = split_index[i]
end = split_index[i+1]
#print("-----", text[begin:end])
#print(begin, end)
if (text[begin] in '一二三四五六七八九十零') or \
(text[begin]=='(' and text[begin+1] in '一二三四五六七八九十零'):
for j in range(begin,end):
if text[j]=='\n':
other_index.append(j+1)
#补充+排序
split_index += other_index
split_index = list(sorted(set([0, len(text)] + split_index)))
#--------------------------------------------------------------------
#第一部分 长句处理：句子长度超过150进行拆分
other_index = []
for i in range(len(split_index)-1):
begin = split_index[i]
end = split_index[i+1]
other_index.append(begin)
#句子长度超过150切割 并且最短15个字符
if end-begin>150:
for j in range(begin,end):
#这一次下标位置比上一次超过15分割
if(j+1-other_index[-1])>15:
#换行分割
if text[j]=='\n':
other_index.append(j+1)
#空格+前后数字
if text[j]==' ' and text[j-1].isnumeric() and text[j+1].isnumeric():
other_index.append(j+1)
split_index += other_index
split_index = list(sorted(set([0, len(text)] + split_index)))
#--------------------------------------------------------------------
#第二部分 删除空格的句子
for i in range(1, len(split_index)-1):
idx = split_index[i]
#当前下标和上一个下标对比 如果等于空格继续比较
while idx>split_index[i-1]-1 and text[idx-1].isspace():
idx -= 1
split_index[i] = idx
split_index = list(sorted(set([0, len(text)] + split_index)))
#--------------------------------------------------------------------
#第三部分 短句处理-拼接
temp_idx = []
i = 0
while i<(len(split_index)-1):
begin = split_index[i]
end = split_index[i+1]
#先统计句子中中文字符和英文字符个数
num_ch = 0
num_en = 0
if end - begin <15:
for ch in text[begin:end]:
if ischinese(ch):
num_ch += 1
elif ch.islower() or ch.isupper():
num_en += 1
if num_ch + 0.5*num_en>5: #大于5说明长度够用
temp_idx.append(begin)
i += 1 #注意break前i加1 否则死循环
break
#长度小于等于5和后面的句子合并
if num_ch + 0.5*num_en<=5:
temp_idx.append(begin)
i += 2
else:
temp_idx.append(begin) #大于15直接添加下标
i += 1
split_index = list(sorted(set([0, len(text)] + temp_idx)))
#查看句子长度 由于存在\n换行一个字符
lens = [split_index[i+1]-split_index[i] for i in range(len(split_index)-1)][:-1] #删除最后一个换行
print(max(lens), min(lens))
#for i in range(len(split_index)-1):
# print(i, '****', text[split_index[i]:split_index[i+1]])
#存储结果
result = []
for i in range(len(split_index)-1):
result.append(text[split_index[i]:split_index[i+1]])
fw.write(text[split_index[i]:split_index[i+1]])
fw.close()
#检查：预处理后字符是否减少
s = ''
for r in result:
s += r
assert len(s)==len(text) #断言
return result
#---------------------------功能:判断字符是不是汉字-------------------------------
def ischinese(char):
if '\u4e00' <=char <= '\u9fff':
return True
return False
#-------------------------------功能:主函数--------------------------------------
if __name__ == '__main__':
dirPath = "data/train_data"
outPath = 'data/train_data_pro'
#获取实体类别及个数
entities = get_entities(dirPath)
print(entities)
print(len(entities))
#完成实体标记 列表 字典
#得到标签和下标的映射
label, label_dic = get_labelencoder(entities)
print(label)
print(len(label))
print(label_dic, '\n\n')
#遍历路径
files = os.listdir(dirPath)
filenames = set([file.split('.')[0] for file in files])
filenames = list(filenames)
for filename in filenames:
path = os.path.join(dirPath, filename+".txt") #TXT文件
outfile = os.path.join(outPath, filename+"_pro.txt")
#print(path)
with open(path, 'r', encoding='utf8') as f:
text = f.read()
#分割文本
print(path)
split_text(text, outfile)
print("\n")
写到这里，这篇文章就介绍结束了，希望对您有所帮助。文章虽然很冗余，但还是能学到知识，尤其是数据预处理和BiLSTM构建知识，后续随着作者深入，会分享更简洁的命名实体识别代码，继续加油~
希望您喜欢这篇文章，从看视频到撰写代码，我真的写了一周时间，再次感谢视频的作者白老师及B站UP主。真心希望这篇文章对您有所帮助，加油~
2022年加油，感恩能与大家在华为云遇见！
希望能与大家一起在华为云社区共同成长。原文地址：https://blog.csdn.net/Eastmount/article/details/112249976
(By:娜璋之家 Eastmount 2022-01-07 夜于武汉)
参考文献：
【版权声明】本文为华为云社区用户原创内容，未经允许不得转载，如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）