命名实体标注基于keras的BiLstm与CRF与算法封装
命名实体标注基于keras的BiLstm与CRF与算法封装
基本概述
众所周知，通过Bilstm已经可以实现分词或命名实体标注了，同样地单独的CRF也可以很好的实现。既然LSTM都已经可以预测了，为啥要搞一个LSTM+CRF的hybrid model? 因为单独LSTM预测出来的标注可能会出现（I-Organization->I-Person,B-Organization ->I-Person）这样的问题序列。
但这种错误在CRF中是不存在的，因为CRF的特征函数的存在就是为了对输入序列观察、学习各种特征，这些特征就是在限定窗口size下的各种词之间的关系。
将CRF接在LSTM网络的输出结果后，让LSTM负责在CRF的特征限定下，依照新的loss function，学习出新的模型
基于字的模型标注：
假定我们使用Bakeoff-3评测中所采用的的BIO标注集，即B-PER、I-PER代表人名首字、人名非首字，B-ORG、I-ORG代表组织机构名首字、组织机构名非首字，O代表该字不属于命名实体的一部分
B-Person I- Person B-Organization I-Organization O
加入CRF layer对LSTM网络输出结果的影响 为直观的看到加入后的区别我们可以借用网络中的图来表示：其中x表示输入的句子，包含5个字分别用w1,w2,w3,w4,w5表示
没有CRF layer的网络示意图
含有CRF layer的网络输出示意图 上图可以看到在没有CRF layer的情况下出现了 B-Person->I-Person 的序列，而在有CRF layer层的网络中，我们将 LSTM 的输出再次送入CRF layer中计算新的结果。而在CRF layer中会加入一些限制，以排除可能会出现上文所提及的不合法的情况
CRF loss function
完成随时函数请参考：https://createmomo.github.io/2017/11/11/CRF-Layer-on-the-Top-of-BiLSTM-5/ CRF loss function 如下： LossFunction=PRealPathP1+P2+…+PNLoss Function = \frac{P_{RealPath}}{P_1 + P_2 + … + P_N}LossFunction=P1+P2+…+PNPRealPath
代码实现（keras版本）
1、搭建模型与编译 使用2.1.4版本的keras，在keras版本里面已经包含bilstm模型，但crf的loss function还没有，不过可以从keras contribute中获得，具体可参看：https://github.com/keras-team/keras-contrib（注意安装过程中一定要配置anaconda的环境变量）
构建网络模型与编译代码如下：
def create_model(train=True):
if train:
(train_x, train_y), (test_x, test_y), (vocab, chunk_tags) = load_data()
else:
with open('model/config.pkl', 'rb') as inp:
(vocab, chunk_tags) = pickle.load(inp)
model = Sequential()
model.add(Embedding(len(vocab), EMBED_DIM, mask_zero=True)) # Random embedding
model.add(Bidirectional(LSTM(BiRNN_UNITS // 2, return_sequences=True)))
crf = CRF(len(chunk_tags), sparse_target=True)
model.add(crf)
model.summary()
model.compile('adam', loss=crf.loss_function, metrics=[crf.accuracy])
if train:
return model, (train_x, train_y), (test_x, test_y)
else:
return model, (vocab, chunk_tags)2、清洗数据 清晰数据是最麻烦的一步，首先我们采用网上开源的语料库作为训练和测试数据。语料库中已经做好了标记，其格式如下：
月 O 油 O 印 O 的 O 《 O 北 B-LOC 京 I-LOC 文 O 物 O 保 O 存 O 保 O 管 O
语料库中对每一个字分别进行标记，比较包括如下几种：
‘O’, ‘B-PER’, ‘I-PER’, ‘B-LOC’, ‘I-LOC’, “B-ORG”, “I-ORG” 分别表示，其他，人名第一个，人名非第一个，位置第一个，位置非第一个，组织第一个，非组织第一个
train = _parse_data(open('data/train_data.data', 'rb'))
test = _parse_data(open('data/test_data.data', 'rb'))
word_counts = Counter(row[0].lower() for sample in train for row in sample)
vocab = [w for w, f in iter(word_counts.items()) if f >= 2]
chunk_tags = ['O', 'B-PER', 'I-PER', 'B-LOC', 'I-LOC', "B-ORG", "I-ORG"]
# save initial config data
with open('model/config.pkl', 'wb') as outp:
pickle.dump((vocab, chunk_tags), outp)
train = _process_data(train, vocab, chunk_tags)
test = _process_data(test, vocab, chunk_tags)
return train, test, (vocab, chunk_tags)3、训练数据 在处理好数据后可以训练数据，本文中将batch-size=16获得较为高的accuracy（99%左右），进行了10个epoch的训练。
import bilsm_crf_model
EPOCHS = 10
model, (train_x, train_y), (test_x, test_y) = bilsm_crf_model.create_model()
# train model
model.fit(train_x, train_y,batch_size=16,epochs=EPOCHS, validation_data=[test_x, test_y])
model.save('model/crf.h5')
4、验证数据 import bilsm_crf_model import process_data import numpy as np
model, (vocab, chunk_tags) = bilsm_crf_model.create_model(train=False) predict_text = ‘中华人民共和国国务院总理周恩来在外交部长陈毅的陪同下，连续访问了埃塞俄比亚等非洲10国以及阿尔巴尼亚’ str, length = process_data.process_data(predict_text, vocab) model.load_weights(‘model/crf.h5’) raw = model.predict(str)[0][-length:] result = [np.argmax(row) for row in raw] result_tags = [chunk_tags[i] for i in result]
per, loc, org = ‘’, ‘’, ‘’
for s, t in zip(predict_text, result_tags): if t in (‘B-PER’, ‘I-PER’): per += ’ ’ + s if (t == ‘B-PER’) else s if t in (‘B-ORG’, ‘I-ORG’): org += ’ ’ + s if (t == ‘B-ORG’) else s if t in (‘B-LOC’, ‘I-LOC’): loc += ’ ’ + s if (t == ‘B-LOC’) else s
print([‘person:’ + per, ‘location:’ + loc, ‘organzation:’ + org]) 输出结果如下：
[‘person: 周恩来 陈毅, 王东’, ‘location: 埃塞俄比亚 非洲 阿尔巴尼亚’, ‘organzation: 中华人民共和国国务院 外交部’] 参考连接：https://github.com/stephen-v/zh-NER-keras
完整代码：
import numpy
from collections import Counter
from keras.preprocessing.sequence import pad_sequences
import pickle
import platform
def load_data():
train = _parse_data(open('train_data.data', 'rb'))
test = _parse_data(open('test_data.data', 'rb'))
word_counts = Counter(row[0].lower() for sample in train for row in sample)
vocab = [w for w, f in iter(word_counts.items()) if f >= 2]
chunk_tags = ['O', 'B-PER', 'I-PER', 'B-LOC', 'I-LOC', "B-ORG", "I-ORG"]
# save initial config data
with open('config.pkl', 'wb') as outp:
pickle.dump((vocab, chunk_tags), outp)
train = _process_data(train, vocab, chunk_tags)
test = _process_data(test, vocab, chunk_tags)
return train, test, (vocab, chunk_tags)
def _parse_data(fh):
# in windows the new line is '\r\n\r\n' the space is '\r\n' . so if you use windows system,
# you have to use recorsponding instructions
if platform.system() == 'Windows':
# split_text = '\r\n' #linux
split_text = '\n' #windows
else:
split_text = '\n'
string = fh.read().decode('utf-8')
data = [[row.split() for row in sample.split(split_text)] for
sample in
string.strip().split(split_text + split_text)]
fh.close()
return data
def _process_data(data, vocab, chunk_tags, maxlen=None, onehot=False):
if maxlen is None:
maxlen = max(len(s) for s in data)
word2idx = dict((w, i) for i, w in enumerate(vocab))
x = [[word2idx.get(w[0].lower(), 1) for w in s] for s in data] # set to <unk> (index 1) if not in vocab
y_chunk = [[chunk_tags.index(w[1]) for w in s] for s in data]
x = pad_sequences(x, maxlen) # left padding
y_chunk = pad_sequences(y_chunk, maxlen, value=-1)
if onehot:
y_chunk = numpy.eye(len(chunk_tags), dtype='float32')[y_chunk]
else:
y_chunk = numpy.expand_dims(y_chunk, 2)
return x, y_chunk
def process_data(data, vocab, maxlen=100):
word2idx = dict((w, i) for i, w in enumerate(vocab))
x = [word2idx.get(w[0].lower(), 1) for w in data]
length = len(x)
x = pad_sequences([x], maxlen) # left padding
return x, length
from keras.models import Sequential
from keras.layers import Embedding, Bidirectional, LSTM
from keras_contrib.layers import CRF
import pickle
EMBED_DIM = 200
BiRNN_UNITS = 200
def create_model(train=True):
if train:
(train_x, train_y), (test_x, test_y), (vocab, chunk_tags) = load_data()
else:
with open('model/config.pkl', 'rb') as inp:
(vocab, chunk_tags) = pickle.load(inp)
model = Sequential()
model.add(Embedding(len(vocab), EMBED_DIM, mask_zero=True)) # Random embedding
model.add(Bidirectional(LSTM(BiRNN_UNITS // 2, return_sequences=True)))
crf = CRF(len(chunk_tags), sparse_target=True)
model.add(crf)
model.summary()
model.compile('adam', loss=crf.loss_function, metrics=[crf.accuracy])
if train:
return model, (train_x, train_y), (test_x, test_y)
else:
return model, (vocab, chunk_tags)
if __name__=="__main__":
EPOCHS = 10
model, (train_x, train_y), (test_x, test_y) = create_model()
# train model
model.fit(train_x, train_y,batch_size=16,epochs=EPOCHS, validation_data=[test_x, test_y])
model.save('model/crf.h5')预测代码：
import numpy as np
model, (vocab, chunk_tags) = bilsm_crf_model.create_model(train=False)
predict_text = '中华人民共和国国务院总理周恩来在外交部长陈毅的陪同下，连续访问了埃塞俄比亚等非洲10国以及阿尔巴尼亚'
str, length = process_data.process_data(predict_text, vocab)
model.load_weights('model/crf.h5')
raw = model.predict(str)[0][-length:]
result = [np.argmax(row) for row in raw]
result_tags = [chunk_tags[i] for i in result]
per, loc, org = '', '', ''
for s, t in zip(predict_text, result_tags):
if t in ('B-PER', 'I-PER'):
per += ' ' + s if (t == 'B-PER') else s
if t in ('B-ORG', 'I-ORG'):
org += ' ' + s if (t == 'B-ORG') else s
if t in ('B-LOC', 'I-LOC'):
loc += ' ' + s if (t == 'B-LOC') else s
print(['person:' + per, 'location:' + loc, 'organzation:' + org])可能出现的错误： ("‘Tensor’ object has no attribute ‘assign’",)。将process_data.py文件中的_parse_data函数windows平台下的分隔符也改为’\n’即可
参数解读
Batch_size： 定义：一次性读入多少批量的图片，不是样本。 Full Batch Learning：Batch_size=数据集大小，适用于小数据集。 Mini-batches Learning：Batch_size= N（自己设定），适用于大数据集。 Online Learning（在线学习）：Batch_size=1， 如何选择Batch_size？ A：一定范围内增大Batch_size： 1、 提高了内存的利用率，大矩阵乘法的并行化效率提高 2、 跑完一次epoch所需要的迭代次数减少，相同数据量的数据处理速度加快。 3、 Batch_size越大下降方向越准，引起的训练震荡越小。 4、 缺点：内存溢出、训练时间增加、收敛缓慢、局部最优，泛化性差 B：Batch_size过小：修正方向以各自样本的梯度方向修正难以达到收敛。 总结： 首先根据显存大小选择Batch_size；其次根据自己的实际情况调整Batch_size，调参重在“调”，根据实际情况选择合适的参数。设置好Batch_size后，每一次epoch记得shuffle一次，不要让网络通过相同的minibach。
内存报错方面
楼主在pyCharm上搭建深度神经网络做图像生成时， 运行代码， 报错：
Process finished with exit code -1073740791 (0xC0000409)
原因：显卡内存不足！
解决办法：将训练数据分成数量较小的batch