承接上一章,这里示例代码写一下具体如何处理一下内容:
1.处理原本的BIO数据集,达到自己的数据集与bert分词器获得的label可以对应的效果,
2.padding统一长度,方便输入模型中
3.把df转化成dataset格式,能正确输入到模型中
def encode_tags(label_list, inputs):
labels = [[label2id[tag] for tag in doc.split()] for doc in label_list] # 得到label-id的list
encoded_labels = []
count = 0
for doc_labels, doc_offset in zip(labels, inputs.offset_mapping):
# 创建0的空数组,按照bert原本的编码方法修改首尾为0
doc_enc_labels = np.ones(len(doc_offset), dtype=int) * 0
doc_enc_labels[0] = 0
doc_enc_labels[-1] = 0
num = 0
for tupnum in range(len(doc_offset) - 1):
if (doc_offset[tupnum + 1][0] - doc_offset[tupnum][1] == 1) or (
doc_offset[tupnum][1] == 0):
doc_enc_labels[tupnum + 1] = doc_labels[num]
num += 1
else: