Навчання в spaCy

Обробка природної мови (NLP) зі spaCy

Azadeh Mobasher

Principal Data Scientist

Кроки навчання

Розмітьте й підготуйте вхідні дані
Вимкніть інші компоненти конвеєра
Тренуйте модель кілька епох
Оцініть якість моделі

Вимкнення інших компонентів конвеєра

Вимкніть усі компоненти конвеєра, окрім NER:

other_pipes = [pipe for pipe in nlp.pipe_names if pipe != 'ner']

nlp.disable_pipes(*other_pipes)

Процедура навчання моделі

Пройдіть тренувальний набір кілька разів; одна ітерація — це epoch.
У кожній епосі трохи оновлюйте ваги моделі.
Оптимізатори оновлюють ваги моделі.

optimizer = nlp.create_optimizer()

losses = {}
for i in range(epochs):
  random.shuffle(training_data)

  for text, annotation in training_data:
    doc = nlp.make_doc(text)
    example = Example.from_dict(doc, annotation)

    nlp.update([example], sgd = optimizer, losses=losses)

Збереження та завантаження моделі

Збережіть натреновану модель NER:

ner = nlp.get_pipe("ner")
ner.to_disk("<ner model name>")

Завантажте збережену модель:

ner = nlp.create_pipe("ner")
ner.from_disk("<ner model name>")
nlp.add_pipe(ner, "<ner model name>")

Модель для інференсу

Використовуйте збережену модель для інференсу.

Застосуйте модель NER і збережіть кортежі (entity text, entity label):

doc = nlp(text)
entities = [(ent.text, ent.label_) for ent in doc.ents]

Давайте потренуємось!

Обробка природної мови (NLP) зі spaCy