Flat-Lattice-Transformer模型源码测试

1. 下载embedding
2. 下载数据集
- 2.1. ~~OntoNotes~~
- 2.2. MSRA
- - 2.2.1. 数据预处理
- 2.3. Weibo
- - 2.3.1. 数据预处理
- 2.4. ResumeNER
3. 配置环境
4. 配置`paths.py`文件
5. 配置日志文件
- 5.1. 使用V0中的`flat_main.py`
- 5.2. 使用V1中的`flat_main.py`
6. embedding文件预处理
7. 训练模型
- 7.1. GPU设备
- 7.2. CPU设备
8. 查看模型结果
- 8.1. MSRA
- 8.2. Weibo
- - 8.2.1. V0结果摘要
  - 8.2.2. V1结果摘要
- 8.3. ResumeNER
- - 8.3.1. V0结果摘要
  - 8.3.2. V1结果摘要

论文地址：
FLAT: Chinese NER Using Flat-Lattice Transformer
原github项目地址：
Flat-Lattice-Transformer

1. 下载embedding

Character and Bigram embeddings (gigaword_chn.all.a2b.{‘uni’ or ‘bi’}.ite50.vec) :

下载地址

Word(Lattice) embeddings:yj, (ctb.50d.vec)

下载地址

Word(Lattice) embeddings:ls, (sgns.merge.word.bz2)

下载地址

在项目根目录下新建文件夹embeddings，将所有embedding文件都放入embeddings/文件夹下面。

2. 下载数据集

2.1. OntoNotes

需要注册申请，暂无法获取

2.2. MSRA

下载地址

MSRA数据需要进行预处理，原始数据为bio标注，需要转成bmes。

2.2.1. 数据预处理

新建py脚本文件util/prepro_data.py，内容如下:

#!usr/bin/env python
# encoding: utf-8from const.paths import msra_ner_cn_path
import os
import sysdef BIO2BMES(input_file, output_file):print("Convert BIO -> BMES for file:", input_file)with open(input_file,'r') as in_file:fins = in_file.readlines()fout = open(output_file,'w')words = []labels = []for line in fins:if len(line) < 3:sent_len = len(words)for idx in range(sent_len):if "-" not in labels[idx]:fout.write(words[idx]+" "+labels[idx]+"\n")else:label_type = labels[idx].split('-')[-1]if "B-" in labels[idx]:if (idx == sent_len - 1) or ("I-" not in labels[idx+1]):fout.write(words[idx]+" S-"+label_type+"\n")else:fout.write(words[idx]+" B-"+label_type+"\n")elif "I-" in labels[idx]:if (idx == sent_len - 1) or ("I-" not in labels[idx+1]):fout.write(words[idx]+" E-"+label_type+"\n")else:fout.write(words[idx]+" M-"+label_type+"\n")fout.write('\n')words = []labels = []else:if line == '0\t\n':words.append('0')labels.append('O')else:pair = line.strip('\n').split()words.append(pair[0])labels.append(pair[-1].upper())fout.close()print("BMES file generated:", output_file)def msra_bio2bmes(msrapath):train_dev_path = os.path.join(msrapath, 'msra_train_bio.txt')train_dev_path_out = os.path.join(msrapath, 'train_dev.char.bmes')test_path = os.path.join(msrapath, 'msra_test_bio.txt')test_path_out = os.path.join(msrapath, 'test.char.bmes')BIO2BMES(train_dev_path, train_dev_path_out)BIO2BMES(test_path, test_path_out)if __name__ == '__main__':msra_bio2bmes(msra_ner_cn_path)print('- Done!')

按照配置paths.py文件，配置好路径以后，直接运行脚本：

cd util
python prepro_data.py

如果要使用clip（限制句子长度，将长句子进行拆分）的MSRA数据训练模型还需要*_clip1文件，可以在项目根目录运行下面命令生成：

python preprocess.py --clip_msra

2.3. Weibo

下载地址

weibo数据需要进行预处理，将原始数据中的seg信息去掉。

2.3.1. 数据预处理

在py脚本文件util/prepro_data.py中添加如下内容:

#!usr/bin/env python
# encoding: utf-8from const.paths import weibo_ner_path
import osdef deseg_weibo(weibopath):train_path = os.path.join(weibopath, 'weiboNER_2nd_conll.train')dev_path = os.path.join(weibopath, 'weiboNER_2nd_conll.dev')test_path = os.path.join(weibopath, 'weiboNER_2nd_conll.test')for data_file in [train_path, dev_path, test_path]:output_file = data_file + "_deseg"f_out = open(output_file, "w", encoding='utf8')with open(data_file, "r", encoding='utf8') as f:for line in f.readlines():line = line.strip()if line != "":span_list = line.split('\t')raw_char = ''.join(list(span_list[0])[:-1])tag = span_list[-1]f_out.write(' '.join([raw_char, tag]) + '\n')else:f_out.write('\n')if __name__ == '__main__':deseg_weibo(weibo_ner_path)print('- Done!')

可以先直接运行脚本，生成数据文件，这样就没必要修改load_data.py文件了。

2.4. ResumeNER

下载地址

ResumeNER数据可直接使用。

将所有数据集文件都放入data/文件夹下面，文件夹结构如下：

-data
--Resume
---dev.char.bmes
---test.char.bmes
---train.char.bmes
--MSRA
---msra_test_bio.txt
---msra_train_bio.txt
---test.char.bmes
---train_dev.char.bmes
---test.char.bmes_clip1
---train_dev.char.bmes_clip1
--Weibo
---weiboNER_2nd_conll.dev
---weiboNER_2nd_conll.test
---weiboNER_2nd_conll.train
---weiboNER_2nd_conll.dev_deseg
---weiboNER_2nd_conll.test_deseg
---weiboNER_2nd_conll.train_deseg

3. 配置环境

conda create -n FLAT python=3.7.3
# gpu
conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch
# cpu
conda install pytorch==1.2.0 torchvision==0.4.0 cpuonly -c pytorch
pip install FastNLP==0.5.0 -i https://pypi.doubanio.com/simple
pip install Numpy==1.16.4 -i https://pypi.doubanio.com/simple
pip install fitlog -i https://pypi.doubanio.com/simple
pip install pytz -i https://pypi.doubanio.com/simple

其中FastNLP和fitlog都是复旦大学计算机科学技术学院自然语言处理与深度学习组的fastNLP团队开发的。

可直接运行conda env create -f environment.yml命令，从environment.yml或者environment-gpu.yml文件中创建名为FLAT的conda环境。

4. 配置`paths.py`文件

修改paths.py文件为如下内容，然后只用配置PROJECT_DIR（项目根目录）即可。

PROJECT_DIR = '/home/appendDisk/PycharmProjects/NER/Flat-Lattice-Transformer'yangjie_rich_pretrain_unigram_path = PROJECT_DIR + '/embeddings/gigaword_chn.all.a2b.uni.ite50.vec'
yangjie_rich_pretrain_bigram_path = PROJECT_DIR + '/embeddings/gigaword_chn.all.a2b.bi.ite50.vec'
yangjie_rich_pretrain_word_path = PROJECT_DIR + '/embeddings/ctb.50d.vec'
yangjie_rich_pretrain_char_and_word_path = PROJECT_DIR + '/embeddings/yangjie_word_char_mix.txt'
# lk_word_path = '/remote-home/xnli/data/pretrain/chinese/sgns.merge.word'
lk_word_path_2 = PROJECT_DIR + '/embeddings/sgns.merge.word_2'# ontonote4ner_cn_path = PROJECT_DIR + '/data/OntoNote4'
msra_ner_cn_path = PROJECT_DIR + '/data/MSRA'
resume_ner_path = PROJECT_DIR + '/data/Resume'
weibo_ner_path = PROJECT_DIR + '/data/Weibo'

5. 配置日志文件

5.1. 使用V0中的`flat_main.py`

fitlog init V0
cd V0
# fitlog log logs

修改V0/flat_main.py文件：

import fitlog
# use_fitlog = False
use_fitlog = True

5.2. 使用V1中的`flat_main.py`

fitlog init V1
cd V1
# fitlog log logs

6. embedding文件预处理

运行下面脚本：

python preprocess.py

7. 训练模型

7.1. GPU设备

python flat_main.py --dataset resume
# 如果默认device报gpu OOM错误，可以通过nvidia-smi命令查看闲置的编号（如2），然后运行下面命令
python flat_main.py --dataset resume --device 2

目前可用的数据文件只有resume

MSRA和weibo数据好像都要做预处理，项目中没有给出详细的预处理信息

OntoNotes数据暂时无法获取

7.2. CPU设备

python flat_main.py --dataset resume --device cpu还是会报找不到gpu未指定cpu的错误，参数未生效。

报错内容如下：

ValueError: There is no usable gpu. set `device` as `cpu` or `None`.

修改V0/flat_main.py文件：

if args.device!='cpu':if args.device == 'None':# 添加内容device = None# 添加内容else:# 添加内容assert args.device.isdigit()device = torch.device('cuda:{}'.format(args.device))
else:device = torch.device('cpu')refresh_data = True

运行下面命令即可：

python flat_main.py --dataset resume --device None

8. 查看模型结果

以下是在gpu服务器上运行的结果
仅输出了模型相关参数，没有输出训练好的模型。

8.1. MSRA

目前的只用了一个device，一直报CUDA out of memory，目前跑不了了，看看后面能不能找到支持多GPU运行的办法。

github issue的类似问题里，作者说”吃的显存应该和训练数据中的最长句子的长度相关，对10g显存来说，一般支持长度200的句子“。
也有可能是数据预处理的问题，看看后面作者会不会公开预处理的脚本吧。

8.2. Weibo

8.2.1. V0结果摘要

时间信息：/V0/logs/log_20201202_110755/other.log

{"other": {"cost_time": "0h20m18s"}}

评价指标：/V0/logs/log_20201202_110755/metric.log

Step:6750    {"metric": {"SpanFPreRecMetric": {"f": 0.626109, "pre": 0.6175, "rec": 0.634961}, "label_acc": {"acc": 0.961509}}, "step": 6750, "epoch": 50}
Step:6750   {"metric": {"data_test": {"SpanFPreRecMetric": {"f": 0.592593, "pre": 0.591885, "rec": 0.593301}, "label_acc": {"acc": 0.956756}}}, "step": 6750, "epoch": 50}

其中最大的F1值为：0.635538

8.2.2. V1结果摘要

时间信息：/V1/logs/log_20201202_114132/other.log

{"other": {"cost_time": "0h40m55s"}}

评价指标：/V1/logs/log_20201202_114132/metric.log

Step:7695    {"metric": {"SpanFPreRecMetric": {"f": 0.685786, "pre": 0.66586, "rec": 0.706941}, "label_acc": {"acc": 0.964555}}, "step": 7695, "epoch": 57}
Step:7695   {"metric": {"data_test": {"SpanFPreRecMetric": {"f": 0.689017, "pre": 0.666667, "rec": 0.712919}, "label_acc": {"acc": 0.964987}}}, "step": 7695, "epoch": 57}

其中最大的F1值为：0.708763

8.3. ResumeNER

8.3.1. V0结果摘要

时间信息：/V0/logs/log_20201201_162830/other.log

{"other": {"cost_time": "0h35m50s"}}

评价指标：/V0/logs/log_20201201_162830/metric.log

Step:19150   {"metric": {"SpanFPreRecMetric": {"f": 0.949153, "pre": 0.944444, "rec": 0.953908}, "label_acc": {"acc": 0.975378}}, "step": 19150, "epoch": 50}
Step:19150  {"metric": {"data_test": {"SpanFPreRecMetric": {"f": 0.944887, "pre": 0.943154, "rec": 0.946626}, "label_acc": {"acc": 0.96543}}}, "step": 19150, "epoch": 50}

其中最大的F1值为：0.951855

8.3.2. V1结果摘要

时间信息：/V1/logs/log_20201201_173707/other.log

{"other": {"cost_time": "1h25m38s"}}

评价指标：/V1/logs/log_20201201_173707/metric.log

Step:19916   {"metric": {"SpanFPreRecMetric": {"f": 0.893802, "pre": 0.896505, "rec": 0.891116}, "label_acc": {"acc": 0.947228}}, "step": 19916, "epoch": 52}
Step:19916  {"metric": {"data_test": {"SpanFPreRecMetric": {"f": 0.894314, "pre": 0.900996, "rec": 0.88773}, "label_acc": {"acc": 0.94298}}}, "step": 19916, "epoch": 52}

其中最大的F1值为：0.951859

接下来打算做的事情：

跑通MSRA和weibo数据
调用训练好的模型对输入字符串进行NER抽取任务
如何支持在多GPU运行