基于Bert+BiLSTM+CRF的命名实体识别源码+使用说明

#### BERT-BiLSTM-CRF模型 ##### 【简介】使用谷歌的BERT模型在BiLSTM-CRF模型上进行预训练用于中文命名实体识别的pytorch代码 ##### 项目结构 ``` bert_bilstm_crf_ner_pytorch torch_ner bert-base-chinese --- 预训练模型 data --- 放置训练所需数据 output --- 项目输出，包含模型、向量表示、日志信息等 source --- 源代码 config.py --- 项目配置，模型参数 conlleval.py --- 模型验证 logger.py --- 项目日志配置 models.py --- bert_bilstm_crf的torch实现 main.py --- 模型训练 processor.py --- 数据预处理 predict.py --- 模型预测 utils.py --- 工具包 ``` ##### 数据预处理 输入数据格式请处理成BIO格式，放置在data/old_data目录下，格式如下: ``` 在 O 广 B-LOC 西 I-LOC 壮 I-LOC 族 I-LOC 自 I-LOC 治 I-LOC 区 I-LOC 柳 I-LOC 州 I-LOC 市 I-LOC 柳 I-LOC 南 I-LOC 区 I-LOC 航 I-LOC 鹰 I-LOC 大 I-LOC 道 I-LOC 租 O 房 O 住 O 的 O 张 B-NAME 之 I-NAME 三 I-NAME 是 O 什 O 么 O 人 O ？ O 辽 B-LOC 宁 I-LOC 省 I-LOC 海 I-LOC 城 I-LOC 市 I-LOC 的 O 李 B-NAME 丘 I-NAME 闪 I-NAME ``` ##### 运行环境 ``` torch==1.8.0 pytorch_crf==0.7.2 numpy==1.17.0 transformers==4.9.0 tqdm==4.62.0 PyYAML==5.4.1 tensorboardX==2.4 ``` ##### 使用方法 - 修改项目配置 - 训练 ``` train() ``` - 预测 ``` predict("xxx") ``` 具体可见`train.py`、`predict.py` ##### 关于BERT-BiLSTM-CRF ``` class BERT_BiLSTM_CRF(BertPreTrainedModel): """ BERT: outputs = self.bert(input_ids=input_ids, token_type_ids=token_type_ids, attention_mask=input_mask) # torch.Size([batch_size,seq_len,hidden_size]) --- [6,128,768] sequence_output = outputs[0] Inputs: input_ids: torch.Size([batch_size,seq_len]), 代表输入实例的tensor张量 token_type_ids: torch.Size([batch_size,seq_len]), 一个实例可以含有两个句子,相当于标记 attention_mask: torch.Size([batch_size,seq_len]), 指定对哪些词进行self-Attention操作 Out: sequence_output: torch.Size([batch_size,seq_len,hidden_size]), 输出序列 pooled_output: torch.Size([batch_size,hidden_size]), 对输出序列进行pool操作的结果 (hidden_states): tuple, 13*torch.Size([batch_size,seq_len,hidden_size]), 隐藏层状态，取决于config的output_hidden_states (attentions): tuple, 12*torch.Size([batch_size, 12, seq_len, seq_len]), 注意力层，取决于config中的output_attentions BiLSTM: # input_size:768, hidden_size=128 self.birnn = nn.LSTM(input_size=config.hidden_size, hidden_size=rnn_dim, num_layers=1, bidirectional=True, batch_first=True) Args: input_size: 输入数据的特征维数 hidden_size: LSTM中隐层的维度 num_layers: 循环神经网络的层数 bias: 用不用偏置，default=True batch_first: 通常我们输入的数据shape=(batch_size,seq_length,input_size),而batch_first默认是False,需要将batch_size与seq_length调换 dropout: 默认是0，代表不用dropout bidirectional: 默认是false，代表不用双向LSTM # [6,128,768] --> [6,128,256] sequence_output, _ = self.birnn(sequence_output) Inputs: input: shape=(seq_length,batch_size,input_size)的张量 (h_0,c_0): h_0的shape=(num_layers*num_directions,batch,hidden_size)的张量，它包含了在当前这个batch_size中每个句子的初始隐藏状态， num_layers就是LSTM的层数，如果bidirectional=True,num_directions=2,否则就是１，表示只有一个方向，c_0和h_0的形状相同， 它包含的是在当前这个batch_size中的每个句子的初始状态，h_0、c_0如果不提供，那么默认是０ OutPuts: output: shape=(seq_length,batch_size,num_directions*hidden_size), 它包含的LSTM的最后一层的输出特征(h_t),t是batch_size中每个句子的长度 (h_n,c_n): h_n.shape=(num_directions * num_layers,batch,hidden_size), c_n与H_n形状相同, h_n包含的是句子的最后一个单词的隐藏状态， c_n包含的是句子的最后一个单词的细胞状态，所以它们都与句子的长度seq_length无关;output[-1]与h_n是相等的，因为output[-1]包含的正是batch_size 个句子中每一个句子的最后一个单词的隐藏状态，注意LSTM中的隐藏状态其实就是输出，cell state细胞状态才是LSTM中一直隐藏的，记录着信息 全连接层: self.hidden2tag = nn.Linear(out_dim, config.num_labels) Args: in_features: 输入的二维张量的大小，即输入的[batch_size, size]中的size out_features: 输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数 释义: 从输入输出的张量的shape角度来理解，相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量 CRF: self.crf = CRF(config.num_labels, batch_first=True) Args: num_tags: Number of tags. batch_first: Whether the first dimension corresponds to the size of a minibatch. """ def __init__(self, config, need_birnn=False, rnn_dim=128): super(BERT_BiLSTM_CRF, self).__init__(config) self.bert = BertModel(config) self.dropout = nn.Dropout(config.hidden_dropout_prob) out_dim = config.hidden_size self.need_birnn = need_birnn if need_birnn: self.birnn = nn.LSTM(config.hidden_size, rnn_dim, num_layers=1, bidirectional=True, batch_first=True) out_dim = rnn_dim * 2 self.hidden2tag = nn.Linear(out_dim, config.num_labels) self.crf = CRF(config.num_labels, batch_first=True) def forward(self, input_ids, tags, token_type_ids=None, input_mask=None): outputs = self.bert(input_ids, token_type_ids=token_type_ids, attention_mask=attention_mask) sequence_output = outputs[0] if self.need_birnn: sequence_output, _ = self.birnn(sequence_output) sequence_output = self.dropout(sequence_output) emissions = self.hidden2tag(sequence_output) loss = -1 * self.crf(emissions, tags, mask=attention_mask.byte()) return loss def predict(self, input_ids, token_type_ids=None, input_mask=None): outputs = self.bert(input_ids, token_type_ids=token_type_ids, attention_mask=attention_mask) sequence_output = outputs[0] if self.need_birnn: sequence_output, _ = self.birnn(sequence_output) sequence_output = self.dropout(sequence_output) emissions = self.hidden2tag(sequence_output) return self.crf.decode(emissions, attention_mask.byte()) ```