医疗文本分类

21 篇文章 0 订阅
16 篇文章 0 订阅

医疗文本分类

视频请至FlyAI官网查看:www.flyai.com

  • 预处理数据集
def pred_process(title, text, tokenizer, pad_size):
    content = title + text
    content = data_clean(content)
    tokens = tokenizer.tokenize(content)
    tokens = ["[CLS]"] + tokens + ["[SEP]"]

    # 得到input_id, seg_id, att_mask    input_id = tokenizer.convert_tokens_to_ids(tokens)
    types = [0] * (len(input_id))
    masks = [1] * len(input_id)
    # 短则补齐,长则切断    if len(input_id) < pad_size:
        types = types + [1] * (pad_size - len(input_id))  # mask部分 segment置为1        masks = masks + [0] * (pad_size - len(input_id))
        input_id = input_id + [0] * (pad_size - len(input_id))
        # print('ok')    else:
        # print(len(input_id))        types = types[:pad_size]
        masks = masks[:pad_size]
        input_id = input_id[:pad_size]
    return input_id, types, masks
  • 切分训练集和测试集 
def split_train_dev_data(self):
    # 随机打乱索引    random_order = list(range(len(self.input_ids)))
    np.random.seed(2020)  # 固定种子    np.random.shuffle(random_order)
    print(random_order[:10])

    # 4:1 划分训练集和测试集    
    self.input_ids_train = np.array([self.input_ids[i] for i in random_order[:int(len(self.input_ids) * 0.8)]])
    self.input_types_train = np.array([self.input_types[i] for i in random_order[:int(len(self.input_ids) * 0.8)]])
    self.input_masks_train = np.array([self.input_masks[i] for i in random_order[:int(len(self.input_ids) * 0.8)]])
    self.y_train = np.array([self.labels[i] for i in random_order[:int(len(self.input_ids) * 0.8)]])
    print(self.input_ids_train.shape, self.input_types_train.shape, self.input_masks_train.shape, self.y_train.shape)

    self.input_ids_dev = np.array([self.input_ids[i] for i in random_order[int(len(self.input_ids) * 0.8):]])
    self.input_types_dev = np.array([self.input_types[i] for i in random_order[int(len(self.input_ids) * 0.8):]])
    self.input_masks_dev = np.array([self.input_masks[i] for i in random_order[int(len(self.input_ids) * 0.8):]])
    self.y_dev = np.array([self.labels[i] for i in random_order[int(len(self.input_ids) * 0.8):]])
    print(self.input_ids_dev.shape, self.input_types_dev.shape, self.input_masks_dev.shape, self.y_dev.shape)
  • 语言模型选择

预训练语言模型使用的是平台模型库的 chinese_roberta_wwm_ext_pytorch

# 训练数据的路径
DATA_PATH = os.path.join(sys.path[0], 'data', 'input')

# 加载预训练模型
path = remote_helper.get_remote_data(
                               'https://www.flyai.com/m/zh_roberta_wwm_ext_pytorch.zip')
# 加载后模型路径
BERT_PATH = os.path.join(DATA_PATH, 'model', 'chinese_roberta_wwm_ext_pytorch')
  • 定义bert模型 
class BertForSequenceClassification(BertPreTrainedModel):
    def __init__(self, config):
        super(BertForSequenceClassification, self).__init__(config)
        self.num_labels = 240        self.bert = BertModel(config)
        self.dropout = nn.Dropout(config.hidden_dropout_prob)
        self.classifier = nn.Linear(config.hidden_size, 240)
        self.apply(self.init_bert_weights)

    def forward(self, input_ids, token_type_ids=None, attention_mask=None, labels=None):
        _, pooled_output = self.bert(input_ids, token_type_ids, attention_mask, output_all_encoded_layers=False)
        pooled_output = self.dropout(pooled_output)
        logits = self.classifier(pooled_output)

        if labels is not None:
            loss_fct = CrossEntropyLoss()
            loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))
            return loss
        else:
            return logits
  • 定义优化器
optimizer = BertAdam(optimizer_grouped_parameters, lr=config.learning_rate,
                     warmup=0.05, t_total=config.num_train_optimization_steps)
  • 定义测试函数
def test(self, model, test_loader):
    device = config.device
    model.eval()
    acc = 0    
    for batch_idx, (x1, x2, x3, y) in enumerate(test_loader):
        x1, x2, x3, y = x1.to(device), x2.to(device), x3.to(device), y.to(device)
        with torch.no_grad():
            y_ = model(x1, x2, x3)
        _, pred = torch.max(y_, 1)
        acc += pred.eq(y.view_as(pred)).sum().item()  # 记得加item()    
    return acc / len(test_loader.dataset)
  • 训练超参数
pad_size = 256  # 文本最大长度
batch_size = 32  
epoch = 6
learning_rate = 3e-5
  • 比赛心得

选用预训练语言模型时看了中文任务基准测评(CLUE benchmark)-排行榜(https://github.com/CLUEbenchmark/CLUE)里面长文本分类的各模型表现选取的, 它里面推荐的 pad_size=128,batch_size=24,lr=2e-5,但我在此训练集上训练时,pad_size=256,batch_size=32,lr=3e-5 的结果会好一些(不排除运气成分)。

数据处理方面看过有大佬分享的nlp数据增强的方法(同义词替换、随机插入、随机交换、随机删除),本次比赛还没来得及尝试,大家可以尝试一下。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值