トークン分類

Token classificationは、文内の個々のトークンにラベルを割り当てます。Token classificationの最も一般的なタスクの一つは、Named Entity Recognition（NER）です。NERは、人物、場所、組織などのエンティティに対して、文内の各エンティティにラベルを割り当てようとするものです。

このガイドでは、次の方法について説明します：

WNUT 17 データセットでDistilBERTをファインチューニングして、新しいエンティティを検出します。
ファインチューニングしたモデルを推論に使用します。

このタスクと互換性のあるすべてのアーキテクチャとチェックポイントを確認するには、タスクページを参照することをお勧めします。

開始前に、必要なライブラリがすべてインストールされていることを確認してください。

pip install transformers datasets evaluate seqeval

Hugging Face アカウントにログインして、モデルをアップロードし、コミュニティと共有できるようにすることを推奨します。プロンプトが表示されたら、ログイン用のトークンを入力してください:

>>> from huggingface_hub import notebook_login

>>> notebook_login()

WNUT 17 データセットを読み込みます

🤗 Datasets ライブラリから WNUT 17 データセットを読み込むことから始めます:

>>> from datasets import load_dataset

>>> wnut = load_dataset("flaitenberger/wnut_17")

次に、例を見てみましょう。

>>> wnut["train"][0]
{'id': '0',
 'ner_tags': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 7, 8, 8, 0, 7, 0, 0, 0, 0, 0, 0, 0, 0],
 'tokens': ['@paulwalk', 'It', "'s", 'the', 'view', 'from', 'where', 'I', "'m", 'living', 'for', 'two', 'weeks', '.', 'Empire', 'State', 'Building', '=', 'ESB', '.', 'Pretty', 'bad', 'storm', 'here', 'last', 'evening', '.']
}

ner_tags の各数値はエンティティを表しています。エンティティの内容を確認するには、数値をラベル名に変換します:

>>> label_list = wnut["train"].features[f"ner_tags"].feature.names
>>> label_list
[
    "O",
    "B-corporation",
    "I-corporation",
    "B-creative-work",
    "I-creative-work",
    "B-group",
    "I-group",
    "B-location",
    "I-location",
    "B-person",
    "I-person",
    "B-product",
    "I-product",
]

各ner_tagの先頭にある文字は、エンティティのトークン位置を示します。

B- はエンティティの開始を示します。
I-は、トークンが同一エンティティの内部に含まれていることを示します（例えば、StateトークンはEmpire State Buildingのようなエンティティの一部です）。
0 は、そのトークンがどのエンティティにも対応しないことを示します。

前処理

次のステップは、tokensフィールドの前処理を行うために DistilBERT のトークナイザーを読み込むことです。

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("distilbert/distilbert-base-uncased")

上記の例のtokensフィールドで確認できるように、入力はすでにトークン化されているように見えます。しかし実際にはまだトークン化されておらず、単語をサブワードにトークン化するにはis_split_into_words=Trueを設定する必要があります。例:

>>> example = wnut["train"][0]
>>> tokenized_input = tokenizer(example["tokens"], is_split_into_words=True)
>>> tokens = tokenizer.convert_ids_to_tokens(tokenized_input["input_ids"])
>>> tokens
['[CLS]', '@', 'paul', '##walk', 'it', "'", 's', 'the', 'view', 'from', 'where', 'i', "'", 'm', 'living', 'for', 'two', 'weeks', '.', 'empire', 'state', 'building', '=', 'es', '##b', '.', 'pretty', 'bad', 'storm', 'here', 'last', 'evening', '.', '[SEP]']

ただし、これにより特殊トークン [CLS] と [SEP] が追加され、サブワードトークン化によって入力とラベルの間に不一致が生じます。1 つのラベルに対応する 1 つの単語が、2 つのサブワードに分割される可能性があります。トークンとラベルを再整合させるには、次のようにしてください。

word_ids メソッドを使用して、すべてのトークンを対応する単語にマッピングします。
特殊トークン [CLS] と [SEP] にラベル -100 を割り当て、PyTorch の損失関数（CrossEntropyLoss を参照）によって無視されるようにします。
-100 を、指定された単語の最初のトークン以外のサブトークンに割り当てます。

DistilBERTの最大入力長を超えないようにトークンとラベルを再整列し、シーケンスを切り詰める関数を作成するには、次のようにします。

>>> def tokenize_and_align_labels(examples):
...     tokenized_inputs = tokenizer(examples["tokens"], truncation=True, is_split_into_words=True)

...     labels = []
...     for i, label in enumerate(examples[f"ner_tags"]):
...         word_ids = tokenized_inputs.word_ids(batch_index=i)  # Map tokens to their respective word.
...         previous_word_idx = None
...         label_ids = []
...         for word_idx in word_ids:  # Set the special tokens to -100.
...             if word_idx is None:
...                 label_ids.append(-100)
...             elif word_idx != previous_word_idx:  # Only label the first token of a given word.
...                 label_ids.append(label[word_idx])
...             else:
...                 label_ids.append(-100)
...             previous_word_idx = word_idx
...         labels.append(label_ids)

...     tokenized_inputs["labels"] = labels
...     return tokenized_inputs

データセット全体に前処理関数を適用するには、🤗 Datasets の map 関数を使用します。map 関数に batched=True を設定すると、データセットの複数の要素を一度に処理できるため、処理を高速化できます:

>>> tokenized_wnut = wnut.map(tokenize_and_align_labels, batched=True)

次に、DataCollatorWithPadding を使用してバッチの例を作成します。データセット全体を最大長にパディングするのではなく、コラレーション時にバッチ内の最長長に合わせて動的にパディングする方が効率的です。

>>> from transformers import DataCollatorForTokenClassification

>>> data_collator = DataCollatorForTokenClassification(tokenizer=tokenizer)

評価

トレーニング中にメトリクスを含めることは、モデルの性能を評価する上で多くの場合、役立ちます。🤗 Evaluate ライブラリを使用すると、評価メソッドをすばやく読み込むことができます。このタスクでは、seqeval フレームワークを読み込みます（メトリクスの読み込みと計算方法の詳細については、🤗 Evaluate のクイックツアーを参照してください）。Seqeval は実際には、precision、recall、F1、accuracy という複数のスコアを出力します。

>>> import evaluate

>>> seqeval = evaluate.load("seqeval")

まず NER ラベルを取得し、次に、実際の予測値と実際のラベルを compute に渡してスコアを計算する関数を作成します:

>>> import numpy as np

>>> labels = [label_list[i] for i in example[f"ner_tags"]]


>>> def compute_metrics(p):
...     predictions, labels = p
...     predictions = np.argmax(predictions, axis=2)

...     true_predictions = [
...         [label_list[p] for (p, l) in zip(prediction, label) if l != -100]
...         for prediction, label in zip(predictions, labels)
...     ]
...     true_labels = [
...         [label_list[l] for (p, l) in zip(prediction, label) if l != -100]
...         for prediction, label in zip(predictions, labels)
...     ]

...     results = seqeval.compute(predictions=true_predictions, references=true_labels)
...     return {
...         "precision": results["overall_precision"],
...         "recall": results["overall_recall"],
...         "f1": results["overall_f1"],
...         "accuracy": results["overall_accuracy"],
...     }

compute_metrics 関数はこれで準備が整いました。学習を設定する際に、この関数に戻ります。

学習

モデルの学習を開始する前に、id2labelとlabel2idを使用して、期待されるIDとラベルの対応表を作成します。

>>> id2label = {
...     0: "O",
...     1: "B-corporation",
...     2: "I-corporation",
...     3: "B-creative-work",
...     4: "I-creative-work",
...     5: "B-group",
...     6: "I-group",
...     7: "B-location",
...     8: "I-location",
...     9: "B-person",
...     10: "I-person",
...     11: "B-product",
...     12: "I-product",
... }
>>> label2id = {
...     "O": 0,
...     "B-corporation": 1,
...     "I-corporation": 2,
...     "B-creative-work": 3,
...     "I-creative-work": 4,
...     "B-group": 5,
...     "I-group": 6,
...     "B-location": 7,
...     "I-location": 8,
...     "B-person": 9,
...     "I-person": 10,
...     "B-product": 11,
...     "I-product": 12,
... }

Trainer を用いたモデルのファインチューニングに慣れていない場合は、こちらの基本的なチュートリアルをご覧ください!

いよいよモデルの学習を開始できます!AutoModelForTokenClassification を使用して DistilBERT を読み込み、期待されるラベル数とラベルのマッピングを指定します:

>>> from transformers import AutoModelForTokenClassification, TrainingArguments, Trainer

>>> model = AutoModelForTokenClassification.from_pretrained(
...     "distilbert/distilbert-base-uncased", num_labels=13, id2label=id2label, label2id=label2id
... )

この時点で、残りのステップは3つだけです:

TrainingArguments で学習ハイパーパラメータを定義します。必須のパラメータは output_dir のみで、モデルの保存先を指定します。push_to_hub=True を設定することで、このモデルを Hub にプッシュできます（モデルをアップロードするには Hugging Face にサインインしている必要があります）。各エポックの終了時、Trainer は seqeval スコアを評価し、学習チェックポイントを保存します。
モデル、データセット、トークナイザー、データコラテーター、compute_metrics 関数とともに、学習引数を Trainer に渡します。
train()を呼び出して、モデルをファインチューニングします。

>>> training_args = TrainingArguments(
...     output_dir="my_awesome_wnut_model",
...     learning_rate=2e-5,
...     per_device_train_batch_size=16,
...     per_device_eval_batch_size=16,
...     num_train_epochs=2,
...     weight_decay=0.01,
...     eval_strategy="epoch",
...     save_strategy="epoch",
...     load_best_model_at_end=True,
...     push_to_hub=True,
... )

>>> trainer = Trainer(
...     model=model,
...     args=training_args,
...     train_dataset=tokenized_wnut["train"],
...     eval_dataset=tokenized_wnut["test"],
...     processing_class=tokenizer,
...     data_collator=data_collator,
...     compute_metrics=compute_metrics,
... )

>>> trainer.train()

トレーニングが完了したら、push_to_hub() メソッドでモデルを Hub に共有し、誰でもそのモデルを利用できるようにしてください。

>>> trainer.push_to_hub()

トークン分類用のモデルをファインチューニングする方法をより詳しく知りたい場合は、対応するPyTorchノートブックを参照してください。

推論

素晴らしいですね。モデルのファインチューニングが完了したので、推論に使用できます！

推論を実行したいテキストを用意してください:

>>> text = "The Golden State Warriors are an American professional basketball team based in San Francisco."

ファインチューニングしたモデルで推論を試す最も簡単な方法は、pipeline()でそれを使用することです。あなたのモデルでNER用のpipelineをインスタンス化し、テキストを渡します:

>>> from transformers import pipeline

>>> classifier = pipeline("ner", model="stevhliu/my_awesome_wnut_model")
>>> classifier(text)
[{'entity': 'B-location',
  'score': 0.42658573,
  'index': 2,
  'word': 'golden',
  'start': 4,
  'end': 10},
 {'entity': 'I-location',
  'score': 0.35856336,
  'index': 3,
  'word': 'state',
  'start': 11,
  'end': 16},
 {'entity': 'B-group',
  'score': 0.3064001,
  'index': 4,
  'word': 'warriors',
  'start': 17,
  'end': 25},
 {'entity': 'B-location',
  'score': 0.65523505,
  'index': 13,
  'word': 'san',
  'start': 80,
  'end': 83},
 {'entity': 'B-location',
  'score': 0.4668663,
  'index': 14,
  'word': 'francisco',
  'start': 84,
  'end': 93}]

必要に応じて、pipelineの結果を手動で再現することもできます。

テキストをトークン化し、PyTorch テンソルを返します:

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("stevhliu/my_awesome_wnut_model")
>>> inputs = tokenizer(text, return_tensors="pt")

入力をモデルに渡し、logitsを返します:

>>> from transformers import AutoModelForTokenClassification

>>> model = AutoModelForTokenClassification.from_pretrained("stevhliu/my_awesome_wnut_model")
>>> with torch.no_grad():
...     logits = model(**inputs).logits

確率が最も高いクラスを取得し、モデルのid2labelマッピングを使用してテキストラベルに変換します:

>>> predictions = torch.argmax(logits, dim=2)
>>> predicted_token_class = [model.config.id2label[t.item()] for t in predictions[0]]
>>> predicted_token_class
['O',
 'O',
 'B-location',
 'I-location',
 'B-group',
 'O',
 'O',
 'O',
 'O',
 'O',
 'O',
 'O',
 'O',
 'B-location',
 'B-location',
 'O',
 'O']

Update on GitHub

Transformers

トークン分類

WNUT 17 データセットを読み込みます

前処理

評価

学習

推論