272 lines
11 KiB
Markdown
272 lines
11 KiB
Markdown
<!--Copyright 2022 The HuggingFace Team. All rights reserved.
|
|
|
|
Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with
|
|
the License. You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on
|
|
an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the
|
|
specific language governing permissions and limitations under the License.
|
|
|
|
⚠️ Note that this file is in Markdown but contain specific syntax for our doc-builder (similar to MDX) that may not be
|
|
rendered properly in your Markdown viewer.
|
|
|
|
-->
|
|
|
|
# Classificação de tokens
|
|
|
|
<Youtube id="wVHdVlPScxA"/>
|
|
|
|
A classificação de tokens atribui um rótulo a tokens individuais em uma frase. Uma das tarefas de classificação de tokens mais comuns é o Reconhecimento de Entidade Nomeada, também chamada de NER (sigla em inglês para Named Entity Recognition). O NER tenta encontrar um rótulo para cada entidade em uma frase, como uma pessoa, local ou organização.
|
|
|
|
Este guia mostrará como realizar o fine-tuning do [DistilBERT](https://huggingface.co/distilbert/distilbert-base-uncased) no conjunto de dados [WNUT 17](https://huggingface.co/datasets/wnut_17) para detectar novas entidades.
|
|
|
|
<Tip>
|
|
|
|
Consulte a [página de tarefas de classificação de tokens](https://huggingface.co/tasks/token-classification) para obter mais informações sobre outras formas de classificação de tokens e seus modelos, conjuntos de dados e métricas associadas.
|
|
|
|
</Tip>
|
|
|
|
## Carregando o conjunto de dados WNUT 17
|
|
|
|
Carregue o conjunto de dados WNUT 17 da biblioteca 🤗 Datasets:
|
|
|
|
```py
|
|
>>> from datasets import load_dataset
|
|
|
|
>>> wnut = load_dataset("wnut_17")
|
|
```
|
|
|
|
E dê uma olhada em um exemplo:
|
|
|
|
```py
|
|
>>> wnut["train"][0]
|
|
{'id': '0',
|
|
'ner_tags': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 7, 8, 8, 0, 7, 0, 0, 0, 0, 0, 0, 0, 0],
|
|
'tokens': ['@paulwalk', 'It', "'s", 'the', 'view', 'from', 'where', 'I', "'m", 'living', 'for', 'two', 'weeks', '.', 'Empire', 'State', 'Building', '=', 'ESB', '.', 'Pretty', 'bad', 'storm', 'here', 'last', 'evening', '.']
|
|
}
|
|
```
|
|
|
|
Cada número em `ner_tags` representa uma entidade. Converta o número em um rótulo para obter mais informações:
|
|
|
|
```py
|
|
>>> label_list = wnut["train"].features[f"ner_tags"].feature.names
|
|
>>> label_list
|
|
[
|
|
"O",
|
|
"B-corporation",
|
|
"I-corporation",
|
|
"B-creative-work",
|
|
"I-creative-work",
|
|
"B-group",
|
|
"I-group",
|
|
"B-location",
|
|
"I-location",
|
|
"B-person",
|
|
"I-person",
|
|
"B-product",
|
|
"I-product",
|
|
]
|
|
```
|
|
|
|
O `ner_tag` descreve uma entidade, como uma organização, local ou pessoa. A letra que prefixa cada `ner_tag` indica a posição do token da entidade:
|
|
|
|
- `B-` indica o início de uma entidade.
|
|
- `I-` indica que um token está contido dentro da mesma entidade (por exemplo, o token `State` pode fazer parte de uma entidade como `Empire State Building`).
|
|
- `0` indica que o token não corresponde a nenhuma entidade.
|
|
|
|
## Pré-processamento
|
|
|
|
<Youtube id="iY2AZYdZAr0"/>
|
|
|
|
Carregue o tokenizer do DistilBERT para processar os `tokens`:
|
|
|
|
```py
|
|
>>> from transformers import AutoTokenizer
|
|
|
|
>>> tokenizer = AutoTokenizer.from_pretrained("distilbert/distilbert-base-uncased")
|
|
```
|
|
|
|
Como a entrada já foi dividida em palavras, defina `is_split_into_words=True` para tokenizar as palavras em subpalavras:
|
|
|
|
```py
|
|
>>> tokenized_input = tokenizer(example["tokens"], is_split_into_words=True)
|
|
>>> tokens = tokenizer.convert_ids_to_tokens(tokenized_input["input_ids"])
|
|
>>> tokens
|
|
['[CLS]', '@', 'paul', '##walk', 'it', "'", 's', 'the', 'view', 'from', 'where', 'i', "'", 'm', 'living', 'for', 'two', 'weeks', '.', 'empire', 'state', 'building', '=', 'es', '##b', '.', 'pretty', 'bad', 'storm', 'here', 'last', 'evening', '.', '[SEP]']
|
|
```
|
|
|
|
Ao adicionar os tokens especiais `[CLS]` e `[SEP]` e a tokenização de subpalavras uma incompatibilidade é gerada entre a entrada e os rótulos. Uma única palavra correspondente a um único rótulo pode ser dividida em duas subpalavras. Você precisará realinhar os tokens e os rótulos da seguinte forma:
|
|
|
|
1. Mapeie todos os tokens para a palavra correspondente com o método [`word_ids`](https://huggingface.co/docs/tokenizers/python/latest/api/reference.html#tokenizers.Encoding.word_ids).
|
|
2. Atribuindo o rótulo `-100` aos tokens especiais `[CLS]` e `[SEP]` para que a função de loss do PyTorch ignore eles.
|
|
3. Rotular apenas o primeiro token de uma determinada palavra. Atribuindo `-100` a outros subtokens da mesma palavra.
|
|
|
|
Aqui está como você pode criar uma função para realinhar os tokens e rótulos e truncar sequências para não serem maiores que o comprimento máximo de entrada do DistilBERT:
|
|
|
|
```py
|
|
>>> def tokenize_and_align_labels(examples):
|
|
... tokenized_inputs = tokenizer(examples["tokens"], truncation=True, is_split_into_words=True)
|
|
|
|
... labels = []
|
|
... for i, label in enumerate(examples[f"ner_tags"]):
|
|
... word_ids = tokenized_inputs.word_ids(batch_index=i) # Map tokens to their respective word.
|
|
... previous_word_idx = None
|
|
... label_ids = []
|
|
... for word_idx in word_ids: # Set the special tokens to -100.
|
|
... if word_idx is None:
|
|
... label_ids.append(-100)
|
|
... elif word_idx != previous_word_idx: # Only label the first token of a given word.
|
|
... label_ids.append(label[word_idx])
|
|
... else:
|
|
... label_ids.append(-100)
|
|
... previous_word_idx = word_idx
|
|
... labels.append(label_ids)
|
|
|
|
... tokenized_inputs["labels"] = labels
|
|
... return tokenized_inputs
|
|
```
|
|
|
|
Use a função [`map`](https://huggingface.co/docs/datasets/process#map) do 🤗 Datasets para tokenizar e alinhar os rótulos em todo o conjunto de dados. Você pode acelerar a função `map` configurando `batched=True` para processar vários elementos do conjunto de dados de uma só vez:
|
|
|
|
```py
|
|
>>> tokenized_wnut = wnut.map(tokenize_and_align_labels, batched=True)
|
|
```
|
|
|
|
Use o [`DataCollatorForTokenClassification`] para criar um batch de exemplos. Ele também *preencherá dinamicamente* seu texto e rótulos para o comprimento do elemento mais longo em seu batch, para que tenham um comprimento uniforme. Embora seja possível preencher seu texto na função `tokenizer` configurando `padding=True`, o preenchimento dinâmico é mais eficiente.
|
|
|
|
<frameworkcontent>
|
|
<pt>
|
|
```py
|
|
>>> from transformers import DataCollatorForTokenClassification
|
|
|
|
>>> data_collator = DataCollatorForTokenClassification(tokenizer=tokenizer)
|
|
```
|
|
</pt>
|
|
<tf>
|
|
```py
|
|
>>> from transformers import DataCollatorForTokenClassification
|
|
|
|
>>> data_collator = DataCollatorForTokenClassification(tokenizer=tokenizer, return_tensors="tf")
|
|
```
|
|
</tf>
|
|
</frameworkcontent>
|
|
|
|
## Treinamento
|
|
|
|
<frameworkcontent>
|
|
<pt>
|
|
Carregue o DistilBERT com o [`AutoModelForTokenClassification`] junto com o número de rótulos esperados:
|
|
|
|
```py
|
|
>>> from transformers import AutoModelForTokenClassification, TrainingArguments, Trainer
|
|
|
|
>>> model = AutoModelForTokenClassification.from_pretrained("distilbert/distilbert-base-uncased", num_labels=14)
|
|
```
|
|
|
|
<Tip>
|
|
|
|
Se você não estiver familiarizado com o fine-tuning de um modelo com o [`Trainer`], dê uma olhada no tutorial básico [aqui](../training#finetune-with-trainer)!
|
|
|
|
</Tip>
|
|
|
|
Nesse ponto, restam apenas três passos:
|
|
|
|
1. Definir seus hiperparâmetros de treinamento em [`TrainingArguments`].
|
|
2. Passar os argumentos de treinamento para o [`Trainer`] junto com o modelo, conjunto de dados, tokenizador e o data collator.
|
|
3. Chamar a função [`~Trainer.train`] para executar o fine-tuning do seu modelo.
|
|
|
|
```py
|
|
>>> training_args = TrainingArguments(
|
|
... output_dir="./results",
|
|
... eval_strategy="epoch",
|
|
... learning_rate=2e-5,
|
|
... per_device_train_batch_size=16,
|
|
... per_device_eval_batch_size=16,
|
|
... num_train_epochs=3,
|
|
... weight_decay=0.01,
|
|
... )
|
|
|
|
>>> trainer = Trainer(
|
|
... model=model,
|
|
... args=training_args,
|
|
... train_dataset=tokenized_wnut["train"],
|
|
... eval_dataset=tokenized_wnut["test"],
|
|
... tokenizer=tokenizer,
|
|
... data_collator=data_collator,
|
|
... )
|
|
|
|
>>> trainer.train()
|
|
```
|
|
</pt>
|
|
<tf>
|
|
Para executar o fine-tuning de um modelo no TensorFlow, comece convertendo seu conjunto de dados para o formato `tf.data.Dataset` com [`to_tf_dataset`](https://huggingface.co/docs/datasets/package_reference/main_classes#datasets.Dataset.to_tf_dataset). Nessa execução você deverá especificar as entradas e rótulos (no parâmetro `columns`), se deseja embaralhar o conjunto de dados, o tamanho do batch e o data collator:
|
|
|
|
```py
|
|
>>> tf_train_set = tokenized_wnut["train"].to_tf_dataset(
|
|
... columns=["attention_mask", "input_ids", "labels"],
|
|
... shuffle=True,
|
|
... batch_size=16,
|
|
... collate_fn=data_collator,
|
|
... )
|
|
|
|
>>> tf_validation_set = tokenized_wnut["validation"].to_tf_dataset(
|
|
... columns=["attention_mask", "input_ids", "labels"],
|
|
... shuffle=False,
|
|
... batch_size=16,
|
|
... collate_fn=data_collator,
|
|
... )
|
|
```
|
|
|
|
<Tip>
|
|
|
|
Se você não estiver familiarizado com o fine-tuning de um modelo com o Keras, dê uma olhada no tutorial básico [aqui](training#finetune-with-keras)!
|
|
|
|
</Tip>
|
|
|
|
Configure o otimizador e alguns hiperparâmetros de treinamento:
|
|
|
|
```py
|
|
>>> from transformers import create_optimizer
|
|
|
|
>>> batch_size = 16
|
|
>>> num_train_epochs = 3
|
|
>>> num_train_steps = (len(tokenized_wnut["train"]) // batch_size) * num_train_epochs
|
|
>>> optimizer, lr_schedule = create_optimizer(
|
|
... init_lr=2e-5,
|
|
... num_train_steps=num_train_steps,
|
|
... weight_decay_rate=0.01,
|
|
... num_warmup_steps=0,
|
|
... )
|
|
```
|
|
|
|
Carregue o DistilBERT com o [`TFAutoModelForTokenClassification`] junto com o número de rótulos esperados:
|
|
|
|
```py
|
|
>>> from transformers import TFAutoModelForTokenClassification
|
|
|
|
>>> model = TFAutoModelForTokenClassification.from_pretrained("distilbert/distilbert-base-uncased", num_labels=2)
|
|
```
|
|
|
|
Configure o modelo para treinamento com o método [`compile`](https://keras.io/api/models/model_training_apis/#compile-method):
|
|
|
|
```py
|
|
>>> import tensorflow as tf
|
|
|
|
>>> model.compile(optimizer=optimizer)
|
|
```
|
|
|
|
Chame o método [`fit`](https://keras.io/api/models/model_training_apis/#fit-method) para executar o fine-tuning do modelo:
|
|
|
|
```py
|
|
>>> model.fit(x=tf_train_set, validation_data=tf_validation_set, epochs=3)
|
|
```
|
|
</tf>
|
|
</frameworkcontent>
|
|
|
|
<Tip>
|
|
|
|
Para obter um exemplo mais aprofundado de como executar o fine-tuning de um modelo para classificação de tokens, dê uma olhada nesse [notebook utilizando PyTorch](https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/token_classification.ipynb) ou nesse [notebook utilizando TensorFlow](https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/token_classification-tf.ipynb).
|
|
|
|
</Tip> |