AI 文摘

微调BaiChuan13B来做命名实体识别





作者: AINLP 来源: AINLP

传统上,一般把NLP的研究领域大致分为自然语言理解(NLU)和自然语言生成(NLG)两种。

NLU侧重于如何理解文本,包括文本分类、命名实体识别、指代消歧、句法分析、机器阅读理解等;

NLG则侧重于理解文本后如何生成自然文本,包括自动摘要、机器翻译、问答系统、对话机器人等。

但是以ChatGPT为代表的大模型出来后,这些传统的NLP的细分研究领域基本可以说都失去了独立研究的价值。

为什么呢?因为大模型可以用统一的范式通通将它们搞定,并且效果非常出众。

在之前的例子中,我们演示了使用QLoRA算法来对BaiChuan-13B实施微调以处理最简单的文本分类任务。

Baichuan-13B 保姆级微调范例

在外卖评论数据集上,微调后测试集acc由0.8925提升到0.9015约提升了1个百分点。

在本例中,我们使用几乎相同的流程和方法来微调BaiChuan-13B以更好地处理命名实体识别任务。

实验结果显示,在NER任务上经过微调,我们的f1-score取得了不可忽略的提升( 0.4313—>0.8768 )。

注:跑完本流程需要至少32G的GPU,需要约2个小时的训练时间。

在我们正式开始之前,请允许我用简短的话给没有NLP基础知识的小伙伴讲解一下什么是命名实体识别。

命名实体识别NER任务是NLP的一个常见基础任务,

它是Named Entity Recognization的简称。

简单地说,就是识别一个句子中的各种 名称实体,诸如:人名,地名,机构 等。

例如对于下面这句话:

小明对小红说:"你听说过安利吗?"  

其命名实体可以抽取表示如下:

{"人名": ["小明","小红"], "组织": ["安利"]}  

〇,预训练模型

我们需要从 https://huggingface.co/baichuan-inc/Baichuan-13B-Chat 下载baichuan-13b-chat的模型。

国内可能速度会比较慢,总共有25个G左右,网速不太好的话,大概可能需要两到三个小时。

如果网络不稳定,也可以手动从这个页面一个一个下载全部文件然后放置到 一个文件夹中例如 ‘baichuan-13b’ 以便读取。

import warnings  
warnings.filterwarnings('ignore')  



import torch  
from transformers import AutoTokenizer, AutoModelForCausalLM,AutoConfig, AutoModel, BitsAndBytesConfig  
from transformers.generation.utils import GenerationConfig  
import torch.nn as nn  
  
  
#使用QLoRA引入的 NF4量化数据类型以节约显存  
model_name_or_path ='../baichuan-13b' #远程 'baichuan-inc/Baichuan-13B-Chat'  
  
bnb_config=BitsAndBytesConfig(  
            load_in_4bit=True,  
            bnb_4bit_compute_dtype=torch.float16,  
            bnb_4bit_use_double_quant=True,  
            bnb_4bit_quant_type="nf4",  
            llm_int8_threshold=6.0,  
            llm_int8_has_fp16_weight=False,  
        )  
  
tokenizer = AutoTokenizer.from_pretrained(  
   model_name_or_path, trust_remote_code=True)  
  
model = AutoModelForCausalLM.from_pretrained(model_name_or_path,  
                quantization_config=bnb_config,  
                trust_remote_code=True)   
  
model.generation_config = GenerationConfig.from_pretrained(model_name_or_path)  
  



from IPython.display import clear_output   
messages = []  
messages.append({"role": "user",  
                 "content": "世界上第二高的山峰是哪座?"})  
response = model.chat(tokenizer,messages=messages,stream=True)  
for res in response:  
    print(res)  
    clear_output(wait=True)  
      
      

下面我们设计一个7-shot-prompt方法,测试一下BaiChuan13b的实体抽取能力。

prefix = '''命名实体识别:抽取文本中的 人名,地点,组织 这三类命名实体,并按照json格式返回结果。  
  
下面是一些范例:  
  
小明对小红说:"你听说过安利吗?" -> {"人名": ["小明","小红"], "组织": ["安利"]}  
现在,每年有几十万中国人到美国访问,几千名中国留学生到美国就学。 -> {"地点": ["中国", "美国"]}  
中国是联合国安理会常任理事国之一。 -> {"地点": ["中国"], "组织": ["联合国"]}  
  
请对下述文本进行实体抽取,返回json格式。  
  
'''  
  
def get_prompt(text):  
    return prefix+text+' -> '  
  
def get_message(prompt,response):  
    return [{"role": "user", "content": f'{prompt} -> '},  
            {"role": "assistant", "content": response}]  
  



messages  = [{"role": "user", "content": get_prompt("一些摩洛哥球迷已按捺不住,在看台上欢呼雀跃")}]  
response = model.chat(tokenizer, messages)  
print(response)  
  



{"地点":["摩洛哥"], "组织":[]}  



messages = messages+[{"role": "assistant", "content": "{'地点': ['摩洛哥']}"}]  
messages.extend(get_message("这次轮到北京国安队,不知会不会再步后尘?","{'组织': ['北京国安队']}"))  
messages.extend(get_message("革命党人孙中山在澳门成立同盟会分会","{'人名': ['孙中山'], '地名': ['澳门'], '组织': ['同盟会']}"))  
messages.extend(get_message("我曾在安徽芜湖市和上海浦东打工。","{'地点': ['安徽芜湖市', '上海浦东']}"))  
display(messages)  
  



  



![](https://api.allorigins.win/raw?url=https://mmbiz.qpic.cn/mmbiz_png/4WgILHBwVHibkjD2UfyEny1T6egerAYS7ichX42CAGJr3PiclNsIyjM5CosYkvFgNEY97FL8AUFxhNjf8uw8ChW7g/640?wx_fmt=png)

  

  



def predict(text,temperature=0.01):  
    model.generation_config.temperature=temperature  
    response = model.chat(tokenizer,   
                          messages = messages+[{'role':'user','content':f'{text} -> '}])  
    return response  
  



predict('杜甫是李白的粉丝。')   



"{'人名': ['杜甫', '李白']}"  

我们拿一个开源的中文NER数据集来测试一下未经微调,仅仅使用7-shot-prompt的预训练模型的效果。

from sklearn.model_selection import train_test_split  
import pandas as pd   
  
df = pd.read_pickle('dfner_13k.pkl')  
dfdata,dftest = train_test_split(df,test_size=300,random_state=42)  
dftrain,dfval = train_test_split(dfdata,test_size=200,random_state=42)  



preds = ['' for x in dftest['target']]  
for i in tqdm(range(len(preds))):  
    preds[i] = predict(dftest['text'].iloc[i])  
      



def toset(s):  
    try:  
        dic = eval(str(s))  
        res = []  
        for k,v in dic.items():  
            for x in v:  
                if x:  
                    res.append((k,x))  
        return set(res)  
    except Exception as err:  
        print(err)  
        return set()  



dftest['pred'] = [toset(x) for x in preds]  
dftest['gt'] = [toset(x) for x in dftest['target']]  
dftest['tp_cnt'] = [len(pred&gt) for pred,gt in zip(dftest['pred'],dftest['gt'])]  
dftest['pred_cnt'] = [len(x) for x in dftest['pred']]  
dftest['gt_cnt'] = [len(x) for x in dftest['gt']]  
  
precision = sum(dftest['tp_cnt'])/sum(dftest['pred_cnt'])  
print('precision = '+str(precision))  
  
recall = sum(dftest['tp_cnt'])/sum(dftest['gt_cnt'])  
print('recall = '+str(recall))  
  
f1 = 2*precision*recall/(precision+recall)  
print('f1_score = '+str(f1))  
  



precision = 0.4316109422492401  
recall = 0.45151033386327505  
f1_score = 0.44133644133644134  

微调前 f1_score为 0.44.

一,准备数据

我们仿照百川模型的 model._build_chat_input 方法来进行token编码,同时把需要学习的内容添加label.

1,token编码

import torch   
  
#将messages编码成 token, 同时返回labels  
#注意baichuan-13b通过插入tokenizer.user_token_id和tokenizer.assistant_token_id 来区分用户和机器人会话内容  
  
# reference@ model._build_chat_input?  
def build_chat_input(messages, model=model,  
                     tokenizer=tokenizer,   
                     max_new_tokens: int=0):  
    max_new_tokens = max_new_tokens or model.generation_config.max_new_tokens  
    max_input_tokens = model.config.model_max_length - max_new_tokens  
    max_input_tokens = max(model.config.model_max_length // 2, max_input_tokens)  
      
    total_input, round_input, total_label, round_label = [], [], [], []  
      
    for i, message in enumerate(messages[::-1]):  
        content_tokens = tokenizer.encode(message['content'])  
        if message['role'] == 'user':  
            round_input = [model.generation_config.user_token_id] + content_tokens + round_input  
            round_label = [-100]+[-100 for _ in content_tokens]+ round_label  
              
            if total_input and len(total_input) + len(round_input) > max_input_tokens:  
                break  
            else:  
                total_input = round_input + total_input  
                total_label = round_label + total_label  
                if len(total_input) >= max_input_tokens:  
                    break  
                else:  
                    round_input = []  
                    round_label = []  
                      
        elif message['role'] == 'assistant':  
            round_input = [  
                model.generation_config.assistant_token_id  
            ] + content_tokens + [  
                model.generation_config.eos_token_id  
            ] + round_input  
              
            if i==0: #仅对最后一轮的target进行学习  
                round_label = [  
                    -100  
                ] + content_tokens + [  
                    model.generation_config.eos_token_id  
                ]+ round_label  
            else:  
                round_label = [  
                    -100  
                ] + [-100 for _ in content_tokens] + [  
                    -100  
                ]+ round_label  
                  
        else:  
            raise ValueError(f"message role not supported yet: {message['role']}")  
              
    total_input = total_input[-max_input_tokens:]  # truncate left  
    total_label = total_label[-max_input_tokens:]  
      
    total_input.append(model.generation_config.assistant_token_id)  
    total_label.append(-100)  
      
    return total_input,total_label  

2,做数据集

from torch.utils.data import Dataset,DataLoader   
from copy import deepcopy  
class MyDataset(Dataset):  
    def __init__(self,df,  
                 messages  
                ):  
        self.df = df   
        self.messages = messages  
          
    def __len__(self):  
        return len(self.df)  
          
    def get_samples(self,index):  
        samples = []  
        d = dict(self.df.iloc[index])  
        samples.append(d)  
        return samples  
      
    def get_messages(self,index):  
        samples = self.get_samples(index)  
        messages = deepcopy(self.messages)  
        for i,d in enumerate(samples):  
  
            messages.append({'role':'user','content':d['text']+' -> '})  
            messages.append({'role':'assistant','content':str(d['target'])})  
        return messages  
          
    def __getitem__(self,index):  
        messages = self.get_messages(index)  
        input_ids, labels = build_chat_input(messages)  
        return {'input_ids':input_ids,'labels':labels}  
  
    def show_sample(self,index):  
        samples = self.get_samples(index)  
        print(samples)  
      
      



ds_train = MyDataset(dftrain,messages)  
ds_val = MyDataset(dfval,messages)  

3,创建管道

def data_collator(examples: list):  
    len_ids = [len(example["input_ids"]) for example in examples]  
    longest = max(len_ids) #之后按照batch中最长的input_ids进行padding  
      
    input_ids = []  
    labels_list = []  
      
    for length, example in sorted(zip(len_ids, examples), key=lambda x: -x[0]):  
        ids = example["input_ids"]  
        labs = example["labels"]  
          
        ids = ids + [tokenizer.pad_token_id] * (longest - length)  
        labs = labs + [-100] * (longest - length)  
          
        input_ids.append(torch.LongTensor(ids))  
        labels_list.append(torch.LongTensor(labs))  
            
    input_ids = torch.stack(input_ids)  
    labels = torch.stack(labels_list)  
    return {  
        "input_ids": input_ids,  
        "labels": labels,  
    }  
  



import torch   
dl_train = torch.utils.data.DataLoader(ds_train,num_workers=2,batch_size=1,  
                                       pin_memory=True,shuffle=True,  
                                       collate_fn = data_collator)  
  
dl_val = torch.utils.data.DataLoader(ds_val,num_workers=2,batch_size=1,  
                                    pin_memory=True,shuffle=False,  
                                     collate_fn = data_collator)  
  



for batch in dl_train:  
    break   



#试跑一个batch  
out = model(**batch)  
out.loss   



#采样300个batch作为一个epoch,便于较快验证  
dl_train.size = 300  

二,定义模型

下面我们将使用QLoRA(实际上用的是量化的AdaLoRA)算法来微调Baichuan-13b模型。

from peft import get_peft_config, get_peft_model, TaskType  
model.supports_gradient_checkpointing = True  #  
model.gradient_checkpointing_enable()  
model.enable_input_require_grads()  
  
model.config.use_cache = False  # silence the warnings. Please re-enable for inference!  
  



import bitsandbytes as bnb   
def find_all_linear_names(model):  
    """  
    找出所有全连接层,为所有全连接添加adapter  
    """  
    cls = bnb.nn.Linear4bit  
    lora_module_names = set()  
    for name, module in model.named_modules():  
        if isinstance(module, cls):  
            names = name.split('.')  
            lora_module_names.add(names[0] if len(names) == 1 else names[-1])  
  
    if 'lm_head' in lora_module_names:  # needed for 16-bit  
        lora_module_names.remove('lm_head')  
    return list(lora_module_names)  
  



from peft import prepare_model_for_kbit_training   
model = prepare_model_for_kbit_training(model)  
  



lora_modules = find_all_linear_names(model)  
print(lora_modules)   
  



['down_proj', 'gate_proj', 'W_pack', 'o_proj', 'up_proj']  



from peft import AdaLoraConfig  
peft_config = AdaLoraConfig(  
    task_type=TaskType.CAUSAL_LM, inference_mode=False,  
    r=16,  
    lora_alpha=16, lora_dropout=0.05,  
    target_modules= lora_modules  
)  
  
peft_model = get_peft_model(model, peft_config)  
  
peft_model.is_parallelizable = True  
peft_model.model_parallel = True  
peft_model.print_trainable_parameters()  
  



trainable params: 41,843,040 || all params: 7,002,181,160 || trainable%: 0.5975715144165165  



out = peft_model.forward(**batch)  
out[0]  

三,训练模型

from torchkeras import KerasModel   
from accelerate import Accelerator   
  
class StepRunner:  
    def __init__(self, net, loss_fn, accelerator=None, stage = "train", metrics_dict = None,   
                 optimizer = None, lr_scheduler = None  
                 ):  
        self.net,self.loss_fn,self.metrics_dict,self.stage = net,loss_fn,metrics_dict,stage  
        self.optimizer,self.lr_scheduler = optimizer,lr_scheduler  
        self.accelerator = accelerator if accelerator is not None else Accelerator()   
        if self.stage=='train':  
            self.net.train()   
        else:  
            self.net.eval()  
      
    def __call__(self, batch):  
          
        #loss  
        with self.accelerator.autocast():  
            loss = self.net.forward(**batch)[0]  
  
        #backward()  
        if self.optimizer is not None and self.stage=="train":  
            self.accelerator.backward(loss)  
            if self.accelerator.sync_gradients:  
                self.accelerator.clip_grad_norm_(self.net.parameters(), 1.0)  
            self.optimizer.step()  
            if self.lr_scheduler is not None:  
                self.lr_scheduler.step()  
            self.optimizer.zero_grad()  
              
        all_loss = self.accelerator.gather(loss).sum()  
          
        #losses (or plain metrics that can be averaged)  
        step_losses = {self.stage+"_loss":all_loss.item()}  
          
        #metrics (stateful metrics)  
        step_metrics = {}  
          
        if self.stage=="train":  
            if self.optimizer is not None:  
                step_metrics['lr'] = self.optimizer.state_dict()['param_groups'][0]['lr']  
            else:  
                step_metrics['lr'] = 0.0  
        return step_losses,step_metrics  
      
KerasModel.StepRunner = StepRunner   
  
#仅仅保存QLora可训练参数  
def save_ckpt(self, ckpt_path='checkpoint', accelerator = None):  
    unwrap_net = accelerator.unwrap_model(self.net)  
    unwrap_net.save_pretrained(ckpt_path)  
      
def load_ckpt(self, ckpt_path='checkpoint'):  
    import os  
    self.net.load_state_dict(  
        torch.load(os.path.join(ckpt_path,'adapter_model.bin')),strict =False)  
    self.from_scratch = False  
      
KerasModel.save_ckpt = save_ckpt   
KerasModel.load_ckpt = load_ckpt   
  



optimizer = bnb.optim.adamw.AdamW(peft_model.parameters(),  
                                  lr=6e-05,is_paged=True)  #'paged_adamw'  
keras_model = KerasModel(peft_model,loss_fn =None,  
        optimizer=optimizer)   
ckpt_path = 'baichuan13b_ner'  
  
  



# keras_model.load_ckpt(ckpt_path) #支持加载微调后的权重继续训练(断点续训)  
keras_model.fit(train_data = dl_train,  
                val_data = dl_val,  
                epochs=100,patience=10,  
                monitor='val_loss',mode='min',  
                ckpt_path = ckpt_path  
               )  

四,保存模型

为减少GPU压力,此处可重启kernel释放显存

import warnings   
warnings.filterwarnings('ignore')  



import torch  
from transformers import AutoTokenizer, AutoModelForCausalLM,AutoConfig, AutoModel, BitsAndBytesConfig  
from transformers.generation.utils import GenerationConfig  
import torch.nn as nn  
model_name_or_path ='../baichuan-13b'  
ckpt_path = 'baichuan13b_ner'  
tokenizer = AutoTokenizer.from_pretrained(  
    model_name_or_path,  
    trust_remote_code=True  
)  
model_old = AutoModelForCausalLM.from_pretrained(  
    model_name_or_path,  
    trust_remote_code=True,  
    low_cpu_mem_usage=True,  
    torch_dtype=torch.float16,  
    device_map='auto'  
)  
  



from peft import PeftModel  
  
#可能需要5分钟左右  
peft_model = PeftModel.from_pretrained(model_old, ckpt_path)  
model_new = peft_model.merge_and_unload()  
  



from transformers.generation.utils import GenerationConfig  
model_new.generation_config = GenerationConfig.from_pretrained(model_name_or_path)  



from IPython.display import clear_output  
messages = []  
messages.append({"role": "user",  
                 "content": "世界上第二高的山峰是什么?"})  
response = model_new.chat(tokenizer,messages=messages,stream=True)  
for res in response:  
    print(res)  
    clear_output(wait=True)  

乔戈里峰。世界第二高峰———乔戈里峰西方登山者称其为k2峰,海拔高度是8611米,位于喀喇昆仑山脉的中巴边境上.

save_path = 'baichuan-13b-ner'  



tokenizer.save_pretrained(save_path)  
model_new.save_pretrained(save_path)  



!cp ../baichuan-13b/*.py  baichuan-13b-ner  

五,使用模型

为减少GPU压力,此处可再次重启kernel释放显存。

import torch  
from transformers import AutoTokenizer, AutoModelForCausalLM,AutoConfig, BitsAndBytesConfig  
from transformers.generation.utils import GenerationConfig  
import torch.nn as nn  
  
import warnings  
warnings.filterwarnings('ignore')  
  
model_name_or_path = 'baichuan-13b-ner'  
  
...  
...  

我们测试一下微调后的效果。

import pandas as pd   
import numpy as np   
import datasets   
from tqdm import tqdm   
  
from sklearn.model_selection import train_test_split  
import pandas as pd   
  
df = pd.read_pickle('dfner_13k.pkl')  
dfdata,dftest = train_test_split(df,test_size=300,random_state=42)  
dftrain,dfval = train_test_split(dfdata,test_size=200,random_state=42)  
...  
...  
...  
  
precision = sum(dftest['tp_cnt'])/sum(dftest['pred_cnt'])  
print('precision = '+str(precision))  
  
recall = sum(dftest['tp_cnt'])/sum(dftest['gt_cnt'])  
print('recall = '+str(recall))  
  
f1 = 2*precision*recall/(precision+recall)  
print('f1_score = '+str(f1))  






precision = 0.9139280125195618  
recall = 0.8427128427128427  
f1_score = 0.876876876876877

微调后的f1_score为0.8768,相比微调前的f1_score=0.44,取得了不可忽视的巨大提升。

**进技术交流群请添加AINLP小助手微信(id: ainlp2)**   


**请备注具体方向+所用到的相关技术点** 

![](https://api.allorigins.win/raw?url=https://mmbiz.qpic.cn/mmbiz_jpg/nW2ZPfuYqSJADkmZ2IX6Z23znAibuEevotDMq9iaMxiapK7jfMibiauGFkycicAJEs6x5U9SGyDJZ0S1tRed9TPNUUDQ/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1)



**关于AINLP** 

AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括LLM、预训练模型、自动生成、文本摘要、智能问答、聊天机器人、机器翻译、知识图谱、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLP小助手微信(id:ainlp2),备注工作/研究方向+加群目的。

  


  


![](https://api.allorigins.win/raw?url=https://mmbiz.qpic.cn/mmbiz_jpg/nW2ZPfuYqSKABHCqVVQkVYPrM4XY1vsd0iaeuXzyJnoFc8cibd5mYb4wdA3WMQtiaPVmr0XLZHMuVibqWncibpnTSnQ/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1)

**阅读至此了,分享、点赞、在看三选一吧🙏** 

更多AI工具,参考Github-AiBard123国内AiBard123

可关注我们的公众号:每天AI新工具