三行code部署一個 DistilBert-繁中-NER模型

Posted on | In |

這篇文章主要介紹怎麼用我們的nlp工具包訓練及部署一個ner模型，以及分享一下當中的心得。
我們模型將會採用以下的設定:
資料集 - Chinese-Literature-NER-RE-Dataset
預訓練模型 - distilbert-base-multilingual-cased
資料預處理 - nlprep
模型訓練 - tfkit
演示及api - nlp2go
colab - 3lineNER

首先，安裝所需要的套件

1
pip install nlprep tfkit nlp2go -U

下載/預處理

資料集下載，並且轉成繁體

1
nlprep --dataset clner --task tagRow --outdir ./clner_row --util s2t

我們所採用的是Chinese-Literature-NER-RE-Dataset資料集
這個資料集有分7個NER的tag，從下圖可見Time metric organization abstract 這幾類佔比很少，估計這幾類的表現都不會太好；此外，metric和time的資料也很接近，估計也容易混淆。後續可以考慮合併Metric和Time這兩類，用focal loss減緩資料不平衡帶來的問題。

Chinese-Literature-NER-Dataset 統計

模型訓練

用distilbert訓練模型，由於很快overfilling，幾個epoch即可

1
tfkit-train --batch 10 --epoch 3 --lr 5e-6 --train ./clner_row/train --valid ./clner_row/test --maxlen 512 --model tagRow --config distilbert-base-multilingual-cased

Distilbert 相比bert少了40%的參數，快了兩倍多，有Bert 97%的準確度。很值得拿來嘗試一下效果，其中的multilingual版本更可以支援中文，讓我們可以在colab上面也可以很快訓練出來。

從訓練的log來看，模型很快就開始overfitting，對此的可以適當調小learning rate，去減緩這種情況。

1
2
3
4
5
6
=========eval at epoch=1=========      
model: checkpoints/1, Total Loss: 4.135023178349079      
=========train at epoch=2=========      
100it [00:31,  3.21it/s]step: 100, loss: 0.16292362678611633, total: 2416      
200it [01:02,  3.25it/s]step: 200, loss: 0.1580470992409768, total: 2416      
300it [01:33,  3.20it/s]step: 300, loss: 0.15292472354572675, total: 2416

另一個比較有趣的現象，是testing 的loss蠻高的，但對於準確度反而卻上升了

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
               precision    recall  f1-score   support      
    B_Abstract       0.68      0.56      0.61       124      
    B_Location       0.90      0.88      0.89       944      
      B_Metric       0.56      0.72      0.63       189      
B_Organization       0.66      0.71      0.68       142      
      B_Person       0.98      0.97      0.98      1433      
    B_Physical       0.00      0.00      0.00         0      
       B_Thing       0.84      0.90      0.87      1154      
        B_Time       0.80      0.91      0.85       563      
    I_Abstract       0.65      0.60      0.62       108      
    I_Location       0.91      0.86      0.88       929      
      I_Metric       0.55      0.70      0.62       183      
I_Organization       0.58      0.72      0.64       121      
      I_Person       0.97      0.94      0.95      1022      
    I_Physical       0.00      0.00      0.00         0      
       I_Thing       0.85      0.85      0.85      1044      
        I_Time       0.81      0.88      0.85       566      
             O       1.00      1.00      1.00      1895      
      
     micro avg       0.88      0.90      0.89     10417      
     macro avg       0.69      0.72      0.70     10417      
  weighted avg       0.89      0.90      0.90     10417      
   samples avg       0.90      0.91      0.89     10417

這件事情其實也是合理
loss 所希望的是將一個tag的機率預測到 1
accuracy 則是這個機率最大就可以了

假設一個例子：
gold label 是 time
predict - time 0.43 metric 0.33 …..
time這一項距離1很遠，loss還蠻大的。但同時time這一項的機率最大，因此這是一個正確的預測，accuracy會是1。
猜測這裡會發生這個情況，是因為資料不平衡假設time和metric難以分類所導致。

部署和試用

選出訓練效果最好的模型，部署restful api或cli

1
nlp2go --model ./checkpoints/3.pt --predictor biotag --cli

驗證是不是最好的模型，我們可以對每一個模型都算一下f1，看看效果如何

1
tfkit-eval --model ./checkpoints/3.pt --metric classification --valid ./clner_row/validation

之後用nlp2go去部署模型，cli模式可以讓我們在colab上嘗試不同的輸入。也可以不加cli參數，直接host一個restful api的server，可以用 get 或者 post來獲得我們的結果:

1
nlp2go --model ./checkpoints/3.pt --path ner