flair的使用方法

yuquanle

发布于 2019-09-17 16:34:40

1.8K0

发布于 2019-09-17 16:34:40

本文介绍了flair的使用方法，Flair是最近开源的一个基于Pytorch的NLP框架，它是一个功能强大的NLP库。Flair允许您将最先进的自然语言处理（NLP）模型应用于文本，例如命名实体识别（NER），词性标注（PoS），意义消歧和分类。

简介

Flair是最近开源的一个基于Pytorch的NLP框架，据官方github介绍，它具有以下特点：

一个功能强大的NLP库。Flair允许您将最先进的自然语言处理（NLP）模型应用于您的文本，例如命名实体识别（NER），词性标注（PoS），意义消歧和分类。

文本嵌入库。Flair具有简单的界面，允许您使用和组合不同的单词和文档嵌入，包括作者提出的上下文字符串嵌入（文章：COLING2018-Contextual String Embeddings for Sequence Labeling）。

Pytorch NLP框架。框架直接在Pytorch上构建，使得可以轻松地训练自己的模型，并使用Flair嵌入和类来尝试新方法。

GitHub地址：https://github.com/zalandoresearch/flair

实战

1.安装

# 安装环境：官网说目前对linux支持较好，以下为我在winodw上测试环境
# windows 10
# PyTorch 0.4+
# Python 3.6+
# pip install flair

这个库包含两种类型：Sentence和Token, Sentence类型包含我们想要处理的一个句，是Token类型的集合：

from flair.data import Sentence
sentence = Sentence('The grass is green .')
# 输出显示这个句子由5个Token组成
print(sentence)

Sentence: "The grass is green ." - 5 Tokens

可以通过Token ID或其索引访问句子的Token：

# 使用 token id
print(sentence.get_token(4))
# 使用索引
print(sentence[3])

Token: 4 green
Token: 4 green

# 迭代输出token
for token in sentence:
 print(token)

Token: 1 The
Token: 2 grass
Token: 3 is
Token: 4 green
Token: 5 .

Tokenization：一些情况下，文本未Tokenization

from flair.data import Sentence
# 设置use_tokenizer参数
sentence = Sentence('The grass is green.', use_tokenizer=True)
print(sentence)

Sentence: "The grass is green ." - 5 Tokens

Adding Tags to Tokens（为token打标签）

# token具有用于语言注释的字段，如lemmas、词性标记或命名实体标记。可以通过指定标签类型和标签值来添加标签。
# 给句子中某个词加标签
sentence[3].add_tag('ner', 'color')
# 可以看到，输出green后面带有命名实体标签'color'
print(sentence.to_tagged_string())

The grass is green <color> .

Adding Labels to Sentences（给句子打标签）

# 句子可以具有一个或多个标签，例如，这些标签可用于文本分类任务。
sentence = Sentence('France is the current world cup winner.')
# 给句子增加一个sports标签
sentence.add_label('sports')
print(sentence.labels)

[sports (1.0)]

# 给句子增加多个标签
sentence = Sentence('France is the current world cup winner.')
sentence.add_labels(['sports', 'world cup'])
print(sentence.labels)

[sports (1.0), world cup (1.0)]

2.使用词向量教程

# Flair提供了很多Class，可以通过很多方法获得词/句子嵌入。词嵌入类都继承自TokenEmbeddings类，并实现embed（）方法，您需要调用该方法来嵌入文本。
# 生成的所有嵌入都是Pytorch向量，因此它们可以立即用于训练和微调。
# 经典的词嵌入是静态的和单词级的，这意味着每个不同的单词只能获得一个预先计算的嵌入。大多数词嵌入都属于这一类，包括流行的GloVe或Komnios嵌入。
# 上下文字符嵌入是一类强大的词嵌入，能够更好的捕获潜在的语法语义信息。
# Stacked Embeddings（堆叠嵌入）是此库中最重要的概念之一。您可以使用它们将不同的嵌入组合在一起。

Classic Word Embeddings

from flair.embeddings import WordEmbeddings
# c:\users\yuquanle\anaconda3\envs\python36\lib\site-packages\gensim\utils.py:1197: UserWarning: detected Windows; aliasing chunkize to chunkize_serial warnings.warn("detected Windows; aliasing chunkize to chunkize_serial")
# 载入glove词向量，需要下载预训练模型（我网速太差好久没下载下来）
# glove_embedding = WordEmbeddings('glove')
# 转换在Glove官网下载的词向量
# 看这里：https://github.com/zalandoresearch/flair/issues/4
import gensim
vectors = gensim.models.KeyedVectors.load_word2vec_format('wiki-news-300d-1M.vec', binary=False)
vectors.save('fasttext_gensim')
# 载入转换后的glove词向量
embeddings = WordEmbeddings('fasttext_gensim')
from flair.data import Sentence
sentence = Sentence('the grass is green .')
for token in sentence:
 print(token)
 print(token.embedding)
# c:\users\yuquanle\anaconda3\envs\python36\lib\site-packages\gensim\utils.py:1197: UserWarning: detected Windows; aliasing chunkize to chunkize_serial warnings.warn("detected Windows; aliasing chunkize to chunkize_serial")

Contextual String Embeddings

from flair.embeddings import CharLMEmbeddings
charlm_embedding_forward = CharLMEmbeddings('news-forward-fast')
sentence = Sentence('The grass is green .')
# charlm_embedding_forward.embed(sentence)
for token in sentence:
 print(token)
 print(token.embedding)

Token: 1 The
tensor([ 0.0021, -0.0000, -0.0057, ..., -0.0000, -0.0001, 0.0163])
Token: 2 grass
tensor([-0.0009, -0.0000, 0.0248, ..., -0.0000, 0.0006, 0.0057])
Token: 3 is
tensor([ 0.0018, -0.0002, 0.0298, ..., -0.0000, 0.0000, 0.0003])
Token: 4 green
tensor([-0.0004, -0.0000, 0.0046, ..., -0.0000, -0.0001, 0.0345])
Token: 5 .
tensor([ 0.0008, -0.0000, 0.0050, ..., -0.0000, -0.0000, 0.0021])

Character Embeddings

from flair.embeddings import CharacterEmbeddings
embedding = CharacterEmbeddings()
sentence = Sentence('The grass is green .')
for token in sentence:
 print(token)
 print(token.embedding)

Stacked Embeddings

from flair.embeddings import WordEmbeddings, CharLMEmbeddings
# c:\users\yuquanle\anaconda3\envs\python36\lib\site-packages\gensim\utils.py:1197: UserWarning: detected Windows; aliasing chunkize to chunkize_serial warnings.warn("detected Windows; aliasing chunkize to chunkize_serial")
# init GloVe embedding
glove_embedding = WordEmbeddings('fasttext_gensim')
# init CharLM embeddings
charlm_embedding_forward = CharLMEmbeddings('news-forward')
#charlm_embedding_backward = CharLMEmbeddings('news-backward')
from flair.embeddings import StackedEmbeddings
stacked_embeddings = StackedEmbeddings(
 embeddings=[glove_embedding, charlm_embedding_forward])
for token in sentence:
 print(token)
 print(token.embedding)

flair工具是非常强大的，如果想更多的了解用法，github上有更多的教程，包括：