前端工程师如何快速使用一个NLP模型

562次阅读  |  发布于2年以前

本文预计需要20min，通过本文主要获得几个知识点：

一、引言

万词王

前段时间，有个开源项目 万词王(github[1])开源了，短短时间收获了4k start

它是一种反向词典，其最大的用处在于解决舌尖现象（Tip of the tongue），即话到嘴边说不出来的问题。

例如输入描述：开飞机的人

输出描述：机师、飞行员、机长 等等...

站点地址 https://wantwords.thunlp.org/

刚看到这个库，感觉很好奇，于是便简单看了个大概思路

是怎么能根据一段描述 能反推 对应的概述词的呢？

大体思路

可参考学习 https://zhuanlan.zhihu.com/p/100382190?from_voters_page=true

根据这个库的 Readme 描述[2]，来看看它的大体思路

核心模型

大白话：

先对一段描述 采用分词工具 进行分词

大体实现

不是本文关键，看不懂没关系，有些我也没太懂... 边学边看即可

初始化工作

# 初始化 文本分词工具
lac = thulac.thulac()

# 导入token分词工具
tokenizer_Ch = BertTokenizer.from_pretrained('bert-base-chinese')

# 加载同义词表、释义表
word2index, index2word, (wd_C, wd_sems, wd_POSs, wd_charas), mask_ = load_data()

# 添加同义词词林用于描述为一个词时的同义词推荐
index2synset = [[] for i in range(len(word2index))]
for line in open(BASE_DIR + 'word2synset_synset.txt').readlines():
    wd = line.split()[0]
    synset = line.split()[1:]
    for syn in synset:
        index2synset[word2index[wd]].append(word2index[syn])

# 加载 双向通道语言模型
MODEL_FILE = BASE_DIR + 'Zh.model'
model = torch.load(MODEL_FILE, map_location=lambda storage, loc: storage)
model.eval()

分词

# 分词
import thulac
lac = thulac.thulac()
fenci = lac.cut(description)
# 得到分词列表
def_words = [w for w, p in fenci]

词数为1：单通道

# 词向量找相关词，排序后，如果在词林里，则对应的同义词的分数乘以2
# tensor 矩阵相乘 预训练词嵌入权重表tonsor(137422,200) * tonsor(200,1) 得到 tonsor(137422,1) 即该词在 词林表中 权重表
score = (model.embedding.weight.data).mm(model.embedding.weight.data[def_word_idx[0]])
if RD_mode == 'CC': 
    # 当CC的时候，排除自身，EC的时候自身是最准确的，不排除。
    score[def_word_idx[0]] = -10.
score[np.array(index2synset[def_word_idx[0]])] *= 2
sc, indices = torch.sort(score, descending=True)
# 获得排名前500的预测值
predicted = indices[:NUM_RESPONSE].detach().cpu().numpy()
score = sc[:NUM_RESPONSE].detach().numpy()

词数>1：多通道

模型入参 https://github.com/thunlp/MultiRD/blob/fe72148c00/ChineseReverseDictionary/code/model.py


defi = '[CLS] ' + description
# 对文本输入进行编码
def_word_idx = tokenizer_Ch.encode(defi)[:80]
def_word_idx.extend(tokenizer_Ch.encode('[SEP]'))
# 在PyTorch张量中 转换indexed_tokens
definition_words_t = torch.tensor(np.array(def_word_idx), dtype=torch.int64, device=device)
 # 模型调用
score = model('test', x=definition_words_t, w=words_t, ws=wd_sems, wP=wd_POSs, wc=wd_charas, wC=wd_C, msk_s=mask_s, msk_c=mask_c, mode=MODE)
sc, indices = torch.sort(score, descending=True)
# 获得排名前500的预测值
predicted = indices[0, :NUM_RESPONSE].detach().cpu().numpy()

结果转换


# index2word 跟进词典释义表，将index转化为word
res = index2word[predicted]

上面简单对一个 开源的NLP项目做了介绍，重点知道一个大概的处理轮廓即可：

step1、输入加工

step2、模型处理

step3、输出加工

单看完一个模型，对于NLP整个的发展有哪些故事，以及现状大家都在研究什么方向，还是没有清晰认识。下面说下 NLP 的发展历程 和现状，方便我们对 NLP有个简单的全局认识

二、NLP 简介

发展历史

参考 https://zhuanlan.zhihu.com/p/148007742

目前研究方向

方向分为两个方向

https://zhuanlan.zhihu.com/p/56802149

常见的11类任务

  1. 序列标注：分词/POS Tag(词性标注)/NER(命名实体识别)/语义标注
  2. 分类任务：文本分类/情感计算
  3. 句子关系判断：Entailment 文本蕴含/QA/自然语言推理
  4. 生成式任务：机器翻译/文本摘要

了解完NLP的发展历程 和 边界（常见的探索方向）

下面以 bert模型为例，实战下如何调用 一个模型

三、实战模型调用

实战前，应该会有两个问题比较懵逼

Q1：模型可以去哪里找？

A1：现在已经有一个很成熟的社区整合了大量的模型，我们可以拿来即用，它就是 HuggingFace（当然github自己搜也行，但比较零散）

Q2：有了模型怎么用？

A2：不用慌，HuggingFace提供了非常详细的上手教程，可以快速上手！

↓↓↓↓

先简单说下Hugging Face

Hugging Face

https://huggingface.co/

该公司主要是提供nlp服务，同时它提供了一个很的开源社区，这里可以找到大部分开源model。

一点小插曲：这个库名字一直在变，网上一些不同时间发表的文章对其称呼不一致，不要懵逼，其实是一个库...

一开始名称是 pytorch-pretrained-bert ，后来更名为 pytorch-transformers，2.0后更名为 Transformers

访问站点，我们可以切换到model列表

可在左侧边栏 根据你想做的事情，做一个筛选

随便点击一个model，大部分模型页面会有 类似Readme说明 和 模型演示窗口

model加载支持两种方式，离线 和 远程，如果需要离线，可以切换到 Files and versions 窗口下载资源

调用一个模型：实战 bert-base-chinese

方式一 使用 pytorch 调用

pytorch 是facebook推出的 机器学习库（与tensorflow类型），其支持 友好的调试 和 稳定的api，一经推出就大受欢迎，目前使用 pytorch 比 tensorflow的人多 

import numpy as np
import torch
from transformers import BertTokenizer, BertForMaskedLM

# BERT  [CLS] 和 [SEP] 标记句子的开头和结尾
samples = ['[CLS] 诸葛[MASK]是三国时期人物[SEP]']  # 准备输入模型的语句
mask_index = 3

# ---- step1、token处理 ----
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
# 将句子分割成一个个token，即一个个汉字和分隔符
tokenized_text = [tokenizer.tokenize(i) for i in samples]
# 把每个token转换成对应的索引
input_ids = [tokenizer.convert_tokens_to_ids(i) for i in tokenized_text]
input_ids = torch.tensor(input_ids)

# ---- step2、模型调用 ----
# 读取预训练模型
model = BertForMaskedLM.from_pretrained('bert-base-chinese')
model.eval()

# model输出查看列表 https://huggingface.co/docs/transformers/main_classes/output
# 我们可以在该文档中，找到对应模型的出参，方便 做结果转换 操作
outputs = model(input_ids)

# ---- step3、结果转换 ----
# torch 张量转化为 numpy，方便处理
sample = outputs.logits[0].detach().numpy()
pred = np.argsort(-sample[mask_index],axis=0)[:20]

print(tokenizer.convert_ids_to_tokens(pred))

方式二 使用 pipeline 调用

使用pytorch还是比较比较麻烦的，我们还可以 HuggingFace 提供的pipeline快速调用model

pipeline 对模型输入 和 输出做了统一封装，所以更便捷

目前可以使用的 pipeline 列表

https://huggingface.co/docs/transformers/main_classes/pipelines

调用例子：

from transformers import pipeline
unmasker = pipeline('fill-mask', model='bert-base-chinese')
print(unmasker( 巴黎是[MASK]国的首都。 ))

开发API接口

功能实现了，开发接口，python中可以使用 Flask、Django （类似 前端的koa和eggjs）框架开发即可，不再赘述

...

前端有了接口，距离一个产品的成型还远么

四、总结

看到这里，两个FLAG是否完成了呢？

一点感悟：

放下心理负担： 作为没有接触过人工智能的前端开发，一开始面对 人工智能 容易产生畏惧心理。其实随着技术发展，很多技术都会产生分工现象（一部分工作越来越下沉，一部分工作越来越放低门槛），作为前端我们了解新技术的宏观面，对于新技术的边界范围有个认知即可

大白话：有很多现成的预训练model 可供直接使用，我们不用成为炼丹师，知道一个模型大体逻辑，成为调包侠即可

发挥 前端 优势： 前端是对于用户交互很敏感的一个群体，可以较快的找到产品痛点。我们是可以将一个nlp模型做一层包裹，创造一个个更具竞争力，更有趣的小产品

大白话：学会如何调用hugging face，你就可以将nlp等技术融入产品中，开发自己的智能产品 ~ 全栈gogogo

参考资料

[1]github: https://github.com/thunlp/WantWords

[2]Readme 描述: https://github.com/thunlp/WantWords/blob/main/README_ZH.md

[3]一个排名榜单: https://rajpurkar.github.io/SQuAD-explorer/

Copyright© 2013-2020

All Rights Reserved 京ICP备2023019179号-8