当前位置: 首页 > news >正文

网站搭建心得做废旧哪个网站好

网站搭建心得,做废旧哪个网站好,自助搭建网站系统,企业seo网站推广公司一、模型和数据集介绍 1.1 预训练模型 chinese-roberta-wwm-ext 是基于 RoBERTa 架构下开发#xff0c;其中 wwm 代表 Whole Word Masking#xff0c;即对整个词进行掩码处理#xff0c;通过这种方式#xff0c;模型能够更好地理解上下文和语义关联#xff0c;提高中文文…一、模型和数据集介绍 1.1 预训练模型 chinese-roberta-wwm-ext 是基于 RoBERTa 架构下开发其中 wwm 代表 Whole Word Masking即对整个词进行掩码处理通过这种方式模型能够更好地理解上下文和语义关联提高中文文本处理的准确性和效果。 与原始的 BERT 模型相比chinese-roberta-wwm-ext 在训练数据规模和训练步数上做了一些调整以进一步提升模型的性能和鲁棒性。并且在大规模无监督语料库上进行了预训练使其具备强大的语言理解和生成能力。它能够广泛应用于各种自然语言处理任务如文本分类、命名实体识别、情感分析等。我们可以使用这个模型作为基础在不同的任务上进行微调和迁移学习以实现更准确、高效的中文文本处理。 huggingface地址https://huggingface.co/hfl/chinese-roberta-wwm-ext 进到 huggingface 中下载预训练模型 1.2 数据集 数据集采用 CLUENER中文语言理解测评基准2020数据集 进入下面链接下载数据集 https://www.cluebenchmarks.com/introduce.html 数据分为10个标签类别分别为: 地址address书名book公司company游戏game政府goverment电影movie姓名name组织机构organization职位position景点scene 数据实例如下 {text: 浙商银行企业信贷部叶老桂博士则从另一个角度对五道门槛进行了解读。叶老桂认为对目前国内商业银行而言, label: {name: {叶老桂: [[9, 11]]}, company: {浙商银行: [[0, 3]]}}} {text: 生生不息CSOL生化狂潮让你填弹狂扫, label: {game: {CSOL: [[4, 7]]}}} {text: 那不勒斯vs锡耶纳以及桑普vs热那亚之上呢, label: {organization: {那不勒斯: [[0, 3]], 锡耶纳: [[6, 8]], 桑普: [[11, 12]], 热那亚: [[15, 17]]}}} {text: 加勒比海盗3世界尽头》的去年同期成绩死死甩在身后后者则即将赶超《变形金刚》, label: {movie: {加勒比海盗3世界尽头》: [[0, 11]], 《变形金刚》: [[33, 38]]}}} {text: 布鲁京斯研究所桑顿中国中心研究部主任李成说东亚的和平与安全是美国的“核心利益”之一。, label: {address: {美国: [[32, 33]]}, organization: {布鲁京斯研究所桑顿中国中心: [[0, 12]]}, name: {李成: [[18, 19]]}, position: {研究部主任: [[13, 17]]}}} {text: 目前主赞助商暂时空缺他们的球衣上印的是“unicef”联合国儿童基金会是公益性质的广告, label: {organization: {unicef: [[21, 26]], 联合国儿童基金会: [[29, 36]]}}} {text: 此数据换算成亚洲盘罗马客场可让平半低水。, label: {organization: {罗马: [[9, 10]]}}} {text: 你们是最棒的!#英雄联盟d学sanchez创作的原声王, label: {game: {英雄联盟: [[8, 11]]}}} {text: 除了吴湖帆时现精彩吴待秋、吴子深、冯超然已然归入二三流了, label: {name: {吴湖帆: [[2, 4]], 吴待秋: [[10, 12]], 吴子深: [[14, 16]], 冯超然: [[18, 20]]}}} {text: 在豪门被多线作战拖累时正是他们悄悄追赶上来的大好时机。重新找回全队的凝聚力是拉科赢球的资本。, label: {organization: {拉科: [[39, 40]]}}}首先将数据集转换成 BIO 标注格式 import json# 将数据转为 BIO 标注形式 def dimension_label(path, save_path, labels_pathNone):label_dict [O]with open(save_path, a, encodingutf-8) as w:with open(path, r, encodingutf-8) as r:for line in r:line json.loads(line)text line[text]label line[label]text_label [O] * len(text)for label_key in label: # 遍历实体标签B_label B- label_keyI_label I- label_keyif B_label not in label_dict:label_dict.append(B_label)if I_label not in label_dict:label_dict.append(I_label)label_item label[label_key]for entity in label_item: # 遍历实体position label_item[entity]start position[0][0]end position[0][1]text_label[start] B_labelfor i in range(start 1, end 1):text_label[i] I_labelline {text: text,label: text_label}line json.dumps(line, ensure_asciiFalse)w.write(line \n)w.flush()if labels_path: # 保存 label 后续训练和预测时使用label_map {}for i,label in enumerate(label_dict):label_map[label] iwith open(labels_path, w, encodingutf-8) as w:labels json.dumps(label_map, ensure_asciiFalse)w.write(labels \n)w.flush()if __name__ __main__:path ./cluener_public/dev.jsonsave_path ./data/dev.jsondimension_label(path, save_path)path ./cluener_public/train.jsonsave_path ./data/train.jsonlabels_path ./data/labels.jsondimension_label(path, save_path, labels_path) 转换后的格式如下所示 {text: 浙商银行企业信贷部叶老桂博士则从另一个角度对五道门槛进行了解读。叶老桂认为对目前国内商业银行而言, label: [B-company, I-company, I-company, I-company, O, O, O, O, O, B-name, I-name, I-name, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O]} {text: 生生不息CSOL生化狂潮让你填弹狂扫, label: [O, O, O, O, B-game, I-game, I-game, I-game, O, O, O, O, O, O, O, O, O, O]} {text: 那不勒斯vs锡耶纳以及桑普vs热那亚之上呢, label: [B-organization, I-organization, I-organization, I-organization, O, O, B-organization, I-organization, I-organization, O, O, B-organization, I-organization, O, O, B-organization, I-organization, I-organization, O, O, O, O]} {text: 加勒比海盗3世界尽头》的去年同期成绩死死甩在身后后者则即将赶超《变形金刚》, label: [B-movie, I-movie, I-movie, I-movie, I-movie, I-movie, I-movie, I-movie, I-movie, I-movie, I-movie, I-movie, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, B-movie, I-movie, I-movie, I-movie, I-movie, I-movie, O]} {text: 布鲁京斯研究所桑顿中国中心研究部主任李成说东亚的和平与安全是美国的“核心利益”之一。, label: [B-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, B-position, I-position, I-position, I-position, I-position, B-name, I-name, O, O, O, O, O, O, O, O, O, O, O, O, B-address, I-address, O, O, O, O, O, O, O, O, O, O]} {text: 目前主赞助商暂时空缺他们的球衣上印的是“unicef”联合国儿童基金会是公益性质的广告, label: [O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, B-organization, I-organization, I-organization, I-organization, I-organization, I-organization, O, O, B-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, I-organization, O, O, O, O, O, O, O, O, O, O, O]} {text: 此数据换算成亚洲盘罗马客场可让平半低水。, label: [O, O, O, O, O, O, O, O, O, B-organization, I-organization, O, O, O, O, O, O, O, O, O]} {text: 你们是最棒的!#英雄联盟d学sanchez创作的原声王, label: [O, O, O, O, O, O, O, O, B-game, I-game, I-game, I-game, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O]} {text: 除了吴湖帆时现精彩吴待秋、吴子深、冯超然已然归入二三流了, label: [O, O, B-name, I-name, I-name, O, O, O, O, O, B-name, I-name, I-name, O, B-name, I-name, I-name, O, B-name, I-name, I-name, O, O, O, O, O, O, O, O, O]} {text: 在豪门被多线作战拖累时正是他们悄悄追赶上来的大好时机。重新找回全队的凝聚力是拉科赢球的资本。, label: [O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, O, B-organization, I-organization, O, O, O, O, O, O]}labels.json 标签如下 {O: 0, B-name: 1, I-name: 2, B-company: 3, I-company: 4, B-game: 5, I-game: 6, B-organization: 7, I-organization: 8, B-movie: 9, I-movie: 10, B-address: 11, I-address: 12, B-position: 13, I-position: 14, B-government: 15, I-government: 16, B-scene: 17, I-scene: 18, B-book: 19, I-book: 20}二、模型微调训练 2.1 处理数据集构建 Dataset ner_datasets.py from torch.utils.data import Dataset, DataLoader import torch import jsonclass NERDataset(Dataset):def __init__(self, tokenizer, file_path, labels_map, max_length300):self.tokenizer tokenizerself.max_length max_lengthself.labels_map labels_mapself.text_data []self.label_data []with open(file_path, r, encodingutf-8) as r:for line in r:line json.loads(line)text line[text]label line[label]self.text_data.append(text)self.label_data.append(label)def __len__(self):return len(self.text_data)def __getitem__(self, idx):text self.text_data[idx]labels self.label_data[idx]# 使用分词器对句子进行处理inputs self.tokenizer.encode_plus(text,None,add_special_tokensTrue,paddingmax_length,truncationTrue,max_lengthself.max_length,return_tensorspt)input_ids inputs[input_ids].squeeze()attention_mask inputs[attention_mask].squeeze()# 将标签转换为数字编码label_ids [self.labels_map[l] for l in labels]if len(label_ids) self.max_length:label_ids label_ids[0:self.max_length]if len(label_ids) self.max_length:# 标签填充到最大长度label_ids.extend([0] * (self.max_length - len(label_ids)))return {input_ids: input_ids,attention_mask: attention_mask,labels: torch.LongTensor(label_ids)} 2.2 模型迭代训练 import torch from torch.utils.data import Dataset, DataLoader from transformers import AutoTokenizer, AutoModelForTokenClassification from ner_datasets import NERDataset from tqdm import tqdm import json import time, sys import numpy as np from sklearn.metrics import f1_scoredef train(epoch, model, device, loader, optimizer, gradient_accumulation_steps):model.train()time1 time.time()for index, data in enumerate(tqdm(loader, filesys.stdout, descTrain Epoch: str(epoch))):input_ids data[input_ids].to(device)attention_mask data[attention_mask].to(device)labels data[labels].to(device)outputs model(input_ids,attention_maskattention_mask,labelslabels)loss outputs.loss# 反向传播计算当前梯度loss.backward()# 梯度累积步数if (index % gradient_accumulation_steps 0 and index ! 0) or index len(loader) - 1:# 更新网络参数optimizer.step()# 清空过往梯度optimizer.zero_grad()# 100轮打印一次 lossif index % 100 0 or index len(loader) - 1:time2 time.time()tqdm.write(f{index}, epoch: {epoch} -loss: {str(loss)} ; each steps time spent: {(str(float(time2 - time1) / float(index 0.0001)))})def validate(model, device, loader):model.eval()acc 0f1 0with torch.no_grad():for _, data in enumerate(tqdm(loader, filesys.stdout, descValidation Data)):input_ids data[input_ids].to(device)attention_mask data[attention_mask].to(device)labels data[labels]outputs model(input_ids, attention_maskattention_mask)_, predicted_labels torch.max(outputs.logits, dim2)predicted_labels predicted_labels.detach().cpu().numpy().tolist()true_labels labels.detach().cpu().numpy().tolist()predicted_labels_flat [label for sublist in predicted_labels for label in sublist]true_labels_flat [label for sublist in true_labels for label in sublist]accuracy (np.array(predicted_labels_flat) np.array(true_labels_flat)).mean()acc acc accuracyf1score f1_score(true_labels_flat, predicted_labels_flat, averagemacro)f1 f1 f1scorereturn acc / len(loader), f1 / len(loader)def main():labels_path ./data/labels.jsonmodel_name D:\\AIGC\\model\\chinese-roberta-wwm-exttrain_json_path ./data/train.jsonval_json_path ./data/dev.jsonmax_length 300epochs 5batch_size 1lr 1e-4gradient_accumulation_steps 16model_output_dir outputdevice torch.device(cuda if torch.cuda.is_available() else cpu)# 加载labelwith open(labels_path, r, encodingutf-8) as r:labels_map json.loads(r.read())# 加载分词器和模型tokenizer AutoTokenizer.from_pretrained(model_name)model AutoModelForTokenClassification.from_pretrained(model_name, num_labelslen(labels_map))model.to(device)# 加载数据print(Start Load Train Data...)train_dataset NERDataset(tokenizer, train_json_path, labels_map, max_length)train_loader DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue)print(Start Load Validation Data...)val_dataset NERDataset(tokenizer, val_json_path, labels_map, max_length)val_loader DataLoader(val_dataset, batch_sizebatch_size, shuffleFalse)# 定义优化器和损失函数optimizer torch.optim.AdamW(model.parameters(), lrlr)print(Start Training...)best_acc 0.0for epoch in range(epochs):train(epoch, model, device, train_loader, optimizer, gradient_accumulation_steps)print(Start Validation...)acc, f1 validate(model, device, val_loader)print(fValidation : acc: {acc} , f1: {f1})if best_acc acc: # 保存准确率最高的模型print(Save Model To , model_output_dir)model.save_pretrained(model_output_dir)tokenizer.save_pretrained(model_output_dir)best_acc accif __name__ __main__:main() 运行之后可以看到训练进度 训练中可以看到验证集的准确率和f1 指标并保存一个准确率最高的模型。 训练完成后可以看到最后一轮的 acc: 0.988304790270546 , f1: 0.7567446800115455在 output 下可以看到保存的模型文件 三、模型测试 from transformers import AutoTokenizer, AutoModelForTokenClassification import torch import json# 解析实体 def post_processing(outputs, text, labels_map):_, predicted_labels torch.max(outputs.logits, dim2)predicted_labels predicted_labels.detach().cpu().numpy()predicted_tags [labels_map[label_id] for label_id in predicted_labels[0]]result {}entity type for index, word_token in enumerate(text):tag predicted_tags[index]if tag.startswith(B-):type tag.split(-)[1]if entity:if type not in result:result[type] []result[type].append(entity)entity word_tokenelif tag.startswith(I-):type tag.split(-)[1]if entity:entity word_tokenelse:if entity:if type not in result:result[type] []result[type].append(entity)entity return resultdef main():labels_path ./data/labels.jsonmodel_name ./outputmax_length 300device torch.device(cuda if torch.cuda.is_available() else cpu)# 加载labellabels_map {}with open(labels_path, r, encodingutf-8) as r:labels json.loads(r.read())for label in labels:label_id labels[label]labels_map[label_id] label# 加载分词器和模型tokenizer AutoTokenizer.from_pretrained(model_name)model AutoModelForTokenClassification.from_pretrained(model_name, num_labelslen(labels_map))model.to(device)while True:text input(请输入)if not text or text :continueif text q:breakencoded_input tokenizer(text, paddingmax_length, truncationTrue, max_lengthmax_length)input_ids torch.tensor([encoded_input[input_ids]]).to(device)attention_mask torch.tensor([encoded_input[attention_mask]]).to(device)outputs model(input_ids, attention_maskattention_mask)result post_processing(outputs, text, labels_map)print(result)if __name__ __main__:main() 输入根据北京市住房和城乡建设委员会总体工作部署市建委调配给东城区118套房源99户家庭全部来到现场 识别结果 {government: [北京市住房和城乡建设委员会], address: [东城区]}输入为星际争霸2冠军颁奖的嘉宾是来自上海新闻出版局副局长陈丽女士。最后为魔兽争霸3项目冠军— 识别结果 {game: [星际争霸2, 魔兽争霸3], position: [上海新闻出版局], name: [副局长, 陈丽]}输入作出对成钢违纪辞退处理决定并开具了退工单。今年8月公安机关以不应当追究刑事责任为由 识别结果 {name: [成钢], government: [公安机关]}
http://www.huolong8.cn/news/153142/

相关文章:

  • 设计一个个人网站的具体步骤图书销售网站网页设计模板
  • 网站全屏图片怎么做的简述网站开发平台及常用开发工具
  • 广州网站开发设计佛山市住房建设局网站
  • 网站手机版开发做网站 工商 非法经营
  • 甘肃省建设银行校园招聘网站wordpress主题 亚马逊
  • 广告公司网站设计策划重庆seo优化公司哪家好
  • 网站搭建心得体会大连头条热点新闻
  • 网站用图怎么做文件小质量高生态建设网站
  • 免费的求职简历模板网站软件优化网站
  • 上海市城乡建设管理局网站佛山房地产网站建设
  • 西昌网站开发公司wordpress主题库
  • 建信建设投资有限公司网站wordpress wp_get_post_tags
  • 品牌网网站建设用软件建网站
  • 方城网站制作网站建设公司好发信息网
  • 合肥专业做网站公司北京网站建设定制型报价
  • 企业网站建设比较调查怎么写上什么网站做会计教育
  • 网站开发方式有哪些网上全网推广
  • 宿迁网站建设报价jsp做的网站可以用的
  • 遵义网站设计制作网站建设网站的原则
  • 网站认证免费wordpress外贸网站好用的模板
  • 哈尔滨网站域名部门seo怎么做自己的网站
  • 网站的目的和意义wordpress 百度翻译插件
  • 网站建设单词个人注册一个小公司要多少钱
  • 算命网站建设网页设计制作论文
  • 中国交通建设监理协会网站打不开微信小程序网站建设定制
  • 做网站怎么加入索引功能怎样做公司网站建设
  • wordpress导航网站wordpress点击网页效果
  • 做去自己的网站nft制作网站
  • 做网站需要什么特色怎么推广自己的微信号
  • 做十个网站买一个app需要多少钱