首款中文环境领域文本分析工具。
特性：
-
1️⃣支持中文环境领域大规模预训练模型envBert！
-
2️⃣支持中文环境领域大规模预训练词向量!
-
3️⃣支持中文环境领域专家过滤的词表!
-
4️⃣ 一且设计均为领域专家研究服务：
- 为神经网络模型精简了接口，只保留了必要的batch_size, learning_rate等参数
- 进一步优化huggingface transformers输入输出接口，支持20余种数据集格式
- 一键使用模型，让领域专家精力集中在分析问题上
-
5️⃣ 使用transformers接口，支持轻松自定义模型
如果您觉得本项目有用或是有帮助到您，麻烦您点击一下右上角的star ⭐。您的支持是我们维护项目的最大动力🤘！
pip install envtext支持的预训练模型
from envtext import Config
print(Config.pretrained_models)| Task | backbone | model name | number of labels | description |
|---|---|---|---|---|
| 掩码语言模型 | env-bert | celtics1863/env-bert-chinese | --- | link |
| 新闻分类 | env-bert | celtics1863/env-news-cls-bert | 8 类别 | link |
| 论文分类 | env-bert | celtics1863/env-news-cls-bert | 10类别 | link |
| 政策分类 | env-bert | celtics1863/env-news-cls-bert | 15 类别 | link |
| 话题分类 | env-bert | celtics1863/env-topic | 63 类别 | link |
| 词性/实体/术语识别 | env-bert | celtics1863/pos-bert | 41 类别 | link |
| 掩码语言模型 | env-albert | celtics1863/env-albert-chinese | --- | link |
| 新闻分类 | env-albert | celtics1863/env-news-cls-albert | 8 类别 | link |
| 论文分类 | env-albert | celtics1863/env-paper-cls-albert | 10 类别 | link |
| 政策分类 | env-albert | celtics1863/env-policy-cls-albert | 15 类别 | link |
| 话题分类 | env-albert | celtics1863/env-topic | 63 类别 | link |
| 词性/实体/术语识别 | env-albert | celtics1863/pos-ner-albert | 41 类别 | link |
| 词向量 | word2vec | word2vec | ---- | link |
| 词向量 | env-bert | bert2vec | ---- | link |
from envtext import AlbertCLS,Config
model = AlbertCLS(Config.albert.topic_cls)
model("在全球气候大会上，气候变化是各国政府都关心的话题")
from envtext import AlbertCLS,Config
model = AlbertCLS(Config.albert.news_cls)
model("清洁能源基地建设对国家能源安全具有战略支撑作用。打造高质量的清洁能源基地的同时，也面临着一系列挑战，比如如何持续降低光储系统的度电成本、如何通过数字化的手段进一步提升运营与运维效率，如何更有效地提升光储系统的安全防护水平、如何在高比例新能源条件下实现稳定并网与消纳等。")
from envtext import AlbertCLS,Config
model = AlbertCLS(Config.albert.news_cls)
model("两个《办法》适用于行政主管部门在依法行使监督管理职责中，对建设用地和农用地土壤污染责任人不明确或者存在争议的情况下，开展的土壤污染责任人认定活动。这是当前土壤污染责任人认定工作的重点。涉及民事纠纷的责任人认定应当依据民事法律予以确定，不适用本《办法》。")
from envtext import AlbertNER,Config
model = AlbertNER(Config.albert.pos_ner)
model("在全球气候大会上，气候变化是各国政府都关心的话题")
导入模型
from envtext.models import load_word2vec
model = load_word2vec()获得向量：
model.get_vector('环境保护')results:
array([-13.304651 , -3.1560812 , 6.4074125 , -3.6906316 ,
-1.4232658 , 4.7912726 , -0.8003967 , 4.0756955 ,
-2.7932549 , 4.029449 , -1.9410586 , -6.844793 ,
-8.859059 , -0.93295586, 6.1359916 , 1.9588425 ,
2.625194 , -4.3848248 , -6.4393744 , 6.0373173 ,
-6.155831 , -6.4436955 , 5.107795 , -11.209849 ,
0.04123919, 1.286314 , -11.320914 , -6.475419 ,
0.8528328 , -6.1932034 , 2.0541244 , -3.3850324 ,
4.284287 , -7.197888 , -2.6205683 , 0.31572345,
5.227246 , 3.903521 , -2.5171268 , 2.4655945 ,
-5.5421305 , 5.5044537 , 6.984615 , -7.6862364 ,
0.87583727, 0.03240405, 2.3616972 , -0.9396556 ,
3.9617348 , 0.6690969 , -10.708663 , -2.8534212 ,
-0.8638448 , 12.048176 , 5.5968127 , -6.834452 ,
6.9515004 , 3.948555 , -4.527055 , 4.389503 ,
-0.47533572, 6.79178 , -0.8689579 , -2.7712438 ],
dtype=float32)计算相似度
model.most_similar('环境保护')results:
[('环保', 0.8425659537315369),
('生态环境保护', 0.7966809868812561),
('土壤环境保护', 0.7429764270782471),
('环境污染防治', 0.7383896708488464),
('生态保护', 0.6929160952568054),
('大气环境保护', 0.6914916634559631),
('应对气候变化', 0.6642681956291199),
('水污染防治', 0.6642411947250366),
('大气污染防治', 0.6606612801551819),
('环境管理', 0.6518533825874329)]导入模型：
from envtext import Bert2Vec,Config
model = Bert2Vec(Config.bert.bert_mlm)获取向量：
#获得词向量
model.get_vector('环境保护')
#获得句向量，输入已经被分好词的句子
model.get_vector(["环境保护","人人有责"])结果：
array([ 1.4521e+00, -3.4131e-01, 6.8420e-02, -6.1371e-02, 2.9004e-01,
1.8872e-01, -4.0405e-01, 4.1138e-01, -5.0000e-01, 5.2344e-01,
5.9814e-01, -3.1396e-01, 3.0029e-01, 3.2959e-02, 1.6553e+00,
-4.4800e-01, 1.0195e+00, -6.4697e-01, 3.0200e-01, 5.7080e-01,
7.6599e-02, 3.4155e-01, 1.2805e-01, -2.1863e-01, -3.3398e-01,
6.9092e-01, 4.2725e-01, -4.8364e-01, 7.8760e-01, 3.8940e-01,
4.9927e-02, -7.1106e-02, -5.3271e-01, -4.8486e-01, 3.1665e-01,
5.1367e-01, 8.8477e-01, -2.2302e-01, 1.9943e-02, 7.3047e-01,
-1.5417e-01, -1.4206e-02, -5.2881e-01, 4.0674e-01, 2.7466e-01,
-1.3940e-01, 5.2490e-01, -1.1514e+00, -4.2676e-01, 9.5508e-01,
...])
计算相似度
model.add_words(
[
"环境污染",
"水污染",
"大气污染",
"北京市",
"上海市",
"兰州市"
])
model.most_similar("郑州市")results:
[('兰州市', 0.8755860328674316),
('北京市', 0.7335232496261597),
('上海市', 0.7241109013557434),
('大气污染', 0.471857488155365),
('水污染', 0.4557272493839264)]用[MASK]标记需要填的部分
from envtext import BertMLM,Config
model = BertMLM(Config.bert_mlm)
model("在全球气候大会上，[MASK][MASK][MASK][MASK]是各国政府都关心的话题")
results：
text:在全球气候大会上，[MASK][MASK][MASK][MASK]是各国政府都关心的话题
predict: ['气', '体', '减', '少'] ; probability: 0.5166
predict: ['气', '体', '减', '排'] ; probability: 0.5166
predict: ['气', '体', '减', '碳'] ; probability: 0.5166
predict: ['气', '体', '减', '缓'] ; probability: 0.5166
predict: ['气', '体', '减', '量'] ; probability: 0.5166 预测情感激烈程度
from envtext import BertSA,Config
model = BertMLM(Config.intensity_sa)
model("中国到现在都没有达到3000年的平均气温，现在就把近期时间气温上升跟工业革命联系起来是不是为时尚早？即便没有工业革命1743年中国北方的罕见高温，1743年7月20至25日，华北地区下午的气温均高于40℃。其中7月25日最热，气温高达44.4℃。这样的极端高温纪录，迄今从未被超越。民国三十一年(公元1942年)和公元1999年夏季，华北地区先后出现了两次极端高温纪录，分别为42.6℃、42.2℃，均低于乾隆八年的温度。又要算到什么头上呢？！！！")
results：
使用cluener上训练的模型
from envtext import BertNER,Config
model = BertNER(Config.bert.clue_ner)
model([
"生生不息CSOL生化狂潮让你填弹狂扫",
"那不勒斯vs锡耶纳以及桑普vs热那亚之上呢？",
"加勒比海盗3：世界尽头》的去年同期成绩死死甩在身后，后者则即将赶超《变形金刚》，",
"布鲁京斯研究所桑顿中国中心研究部主任李成说，东亚的和平与安全，是美国的“核心利益”之一。",
"此数据换算成亚洲盘罗马客场可让平半低水。",
],print_result=True)
results：
使用envtext，您可以标记一些示例，训练您的模型，并进一步使用模型来推断其余的文本。
目前支持的模型：
| Taskname | Bert models | Albert models | RNNs models | Others |
|---|---|---|---|---|
| 完型填空 | BertMLM | ------ | ------ | ----- |
| 分类 | BertCLS | AlbertCLS | RNNCLS | CNNCLS,TFIDFCLS |
| 情感分析 | BertSA | ---- | RNNSA | ------ |
| 多选 | BertMultiChoice | AlbertMultiChoice | RNNMultiChoice | ----- |
| 命名实体识别 | BertNER | AlbertNER | RNNNER | ----- |
| 嵌套命名实体识别 | BertGP | ----- | ----- | ----- |
| 关系分类 | BertRelation | ---- | ---- | ----- |
| 实体关系联合抽取 | BertTriple | ---- | ---- | ----- |
| 词向量 | Bert2vec | ----- | ----- | Word2Vec |
除了文本生成任务外，基本支持大部分的NLP任务。
Bert and Albert支持环境文本中的大规模预训练模型' envBert '和' envalbert '，以及huggingface transformer中的其他Bert模型。
RNN模型由“LSTM”、“GRU”和“RNN”组成，可以用环境域预训练的词向量进行初始化，也可以用Onehot编码进行初始化。
#导入bert模型(eg. 分类模型)
from envtext.models import BertCLS
model = BertCLS('celtics1863/env-bert-chinese')
# # 如果使用自定义的数据集
# model.load_dataset(file_path,task = 'cls',format = 'datasets-format')
# # 使用envtext中默认的数据集
model.load_dataset('isclimate')
#模型训练
model.train()
#模型保存
model.save_model('classification') #input directory#导入 rnn model(eg. 分类模型)
from envtext.models import RNNCLS
model = RNNCLS()
# # 使用自定义的模型
# model.load_dataset(file_path,task = 'cls',format = 'datasets-format')
# # 使用EnvText自带的数据集
model.load_dataset('isclimate')
#模型训练
model.train()
#保存模型
model.save_model('classification') #输入待保存的文件夹#从文件夹导入莫小仙
from envtext.models import BertMLM
model = BertMLM('celtics1863/env-bert-chinese')
#预测结果，可以输入 str 或 List[str]
model('[MASK][MASK][MASK][MASK]是各国政府都关心的话题')
#导出结果
model.save_result('result.csv')从 含有pytorch_model.bin的文件 推理
from envtext.models import RNNCLS
model = RNNCLS('local directory')
#predict
model('气候变化是各国政府都关心的话题')
#save result
model.save_result('result.csv')从bert模型定义一个回归器
from envtext.models.bert_base import BertBase
import torch
from transformers import BertPreTrainedModel,BertModel
class MyBert(BertPreTrainedModel):
def __init__(self, config):
super(MyBert, self).__init__(config)
self.bert = BertModel(config) #bert model
self.regressor = torch.nn.Linear(config.hidden_size, 1) #regressor
self.loss = torch.nn.MSELoss() #loss function
def forward(self, input_ids, token_type_ids=None, attention_mask=None, labels=None,
position_ids=None, inputs_embeds=None, head_mask=None):
outputs = self.bert(input_ids,
attention_mask=attention_mask,
token_type_ids=token_type_ids,
position_ids=position_ids,
head_mask=head_mask,
inputs_embeds=inputs_embeds)
#use[CLS] token
cls_output = outputs[0][:,0,:]
#get logits
logits = self.regressor(cls_output)
outputs = (logits,)
#这里需要与bert的接口保持一致
if labels is not None:
loss = self.loss(logits.squeeze(),labels)
outputs = (loss,) + outputs
return outputs对齐EnvText的接口：
class MyBertModel(BertBase):
#Rewrite the initialization function
def initialize_bert(self,path = None,config = None,**kwargs):
super().initialize_bert(path,config,**kwargs)
self.model = MyBert.from_pretrained(self.model_path)
#[Optional] 重写预处理函数
def preprocess(self,text, logits, **kwargs):
text = text.replace("\n", "")
return text
#[Optional] 重写后处理函数
def postprocess(self,text, logits, **kwargs):
logits = logits.squeeze()
return logits.tolist()
#[Optional] 在训练时会调用，计算除loss以外的metric
def compute_metrics(eval_pred)
from envtext.utils.metrics import metrics_for_reg
return metrics_for_reg(eval_pred)
#[Optional] Optional to align parameters in config,
#对齐参数配置
def align_config(self):
super().align_config()
##可以使用self.update_config() 或 self.set_attribute() 接口重新设置config
passRNN模型的定义与此类似。
首先，实现LSTM分类模型，具体如下:
from torch import nn
import torch
class MyRNN(nn.Module):
def __init__(self,config):
self.rnn = nn.LSTM(config.embed_size, config.hidden_size ,config.num_layers,batch_first = True)
self.classifier = nn.Linear(config.hidden_size,config.num_labels)
def forward(self,X,labels = None):
X,_ = self.rnn(X)
logits = self.classifier(X)
#Align interfaces, still need to output with labels present (loss,logits) and without labels (logits,)
if labels is not None:
loss = self.loss_fn(logits,labels)
return (loss,logits)
return (logits,)对齐EnvText的接口
import numpy as np
class MyRNNModel(BertBase):
#Rewrite the initialization function
def initialize_bert(self,path = None,config = None,**kwargs):
super().initialize_bert(path,config,**kwargs) #保持不变
self.model = MyRNN.from_pretrained(self.model_path)
#[Optional] rewrite the function that postprocesses the prediction result
def postprocess(self,text, logits, print_result = True ,save_result = True):
pred = np.argmax(logits,axis = -1)
return pred.tolist()
#[Optional] rewrite metrics，add metric besides loss, for training
def compute_metrics(eval_pred):
return {} #返回一个dict
#[Optional] rewrite align_config
#Because there are times when you need to accept multiple inputs, such as the number of categories or a list of categories when classifying tasks, you can use this interface for alignment.
def align_config(self):
super().align_config()对于更详细的教程，案例将添加在jupyter notebooks
- Bert模型比较大，如果只有cpu的情况下，建议先用RNN模型，跑出一个结果，观察数据集的数量/质量是否达标，再考虑是否用Bert模型。一般envbert模型要比RNN模型领先10个点左右，尤其在数据集越小的情况下，envbert的优势越明显。
- 神经网络模型受到初始化权重影响，每一次训练的情况不一样，建议多跑几次，取最好的结果。
- Learning rate, Epoch, Batchsize是三个最关键的超参数，需要对不同数据集小心调整。默认的参数可以在大多数情况下达到较优的值，但是一定不会达到最好的结果。
Apache Lisence