英语文本分类

操作系统包 > 语言分析 > 英语文本分类

这是一个通用、可重新训练的模型，适用于英语分类。此 ML 包必须重新训练，如果在未事先进行训练的情况下部署此包，部署将失败，并显示错误，指明模型未经过训练。

此模型是用于语言分类的深度学习架构。它基于 RoBERTa，是一种用于预训练自然语言处理系统的自监督方法。在服务时和训练时都可以使用 GPU。GPU 可使速度提高约 5 到 10 倍。此模型由 Facebook AI 研究院开放源代码。

输入类型

JSON

输入说明

要分类为字符串的文本：“I loved this movie”。

输出说明

包含预测类名称以及有关该类预测的关联置信度（0 到 1）的 JSON。

示例：

{
  "class": "Positive",
  "confidence": 0.9422031841278076
}

管道

此包支持所有三种类型的管道（完整训练、训练和评估）。

对于大多数用例，不需要指定任何参数，模型将使用高级技术来查找高性能模型。在第一次训练之后的后续训练中，模型将使用增量学习（即，在训练运行结束后将使用先前训练的版本）。

数据集格式

读取多个文件

默认情况下，此模型将读取提供的目录中带有 .csv 和 .json 扩展名（递归）的所有文件。

CSV 文件格式：

每个 CSV 文件预计会有任意数量的列，但模型只会使用两列。这两列由参数 input_column（如果未设置，将默认为“input”）和 target_column（如果未设置，将默认为“target”）指定。

例如，单个 CSV 文件可能如下所示：

input,target
I like this movie,positive
I hated the acting,negative

在上面的示例文件中，可以触发任何类型的管道，而无需添加任何额外参数。在以下示例中，需要显式指定列：

review,sentiment
I like this movie,positive
I hated the acting,negative

系统会跳过任何不具有由 input_column 和 target_column 指定的列的文件。此外，可以通过设置 csv_delimiter 参数来设置用于解析文件的分隔符。例如，如果您的文件实际上是用制表符分隔的，请使用扩展名 .csv 保存该文件，并将 csv_delimiter 参数设置为** **

JSON 文件格式：

每个 json 文件可以是单个数据点，也可以是数据点列表。也就是说，每个 JSON 文件可以使用以下两种格式之一：一个 json 文件中包含单个数据点：

{
  "input": "I like this movie",
  "target": "positive"
}

一个 json 文件中包含多个数据点：

[
  {
    "input": "I like this movie",
    "target": "positive"
  },
  {
    "input": "I hated the acting",
    "target": "negative"
  }
]

对于 csv 文件，如果设置了 input_column 和 target_column 参数，格式会将“input”替换为 input_column，并将“target”替换为 target_column。

所有有效文件（符合上述格式的所有 csv 文件和 json 文件）将合并在一起。

读取单个文件

在某些情况下，使用单个文件可能会很有用（即使目录中有很多文件也如此）。在这种情况下，可以使用参数 csv_name。如果设置此设置，管道将仅读取该文件。设置此参数后，将启用另外两个附加参数：

• csv_start_index - 使用户可以指定要开始读取的行。
• csv_end_index - 使用户可以指定要结束读取的行。

例如，您可能有一个包含 2 万行的大文件，但您可能希望快速查看对一部分数据的训练运行效果如何。在这种情况下，您可以指定文件名，并将 csv_end_index 设置为远远小于 20000 的值。

环境变量

• input_column：更改此值以匹配数据集输入列的名称（默认为“input”）
• target_column：更改此值以匹配数据集输入列的名称（默认为“target”）
• evaluation_metric：设置此值，以更改评估函数返回并在用户界面中显示的指标。此参数可以设置为以下值之一：“accuracy”（默认值）、“auroc”（ROC 曲线下的面积）、“precision”、“recall”、“matthews correlation”（马修斯相关系数）和“fscore”。
• csv_name：如果要指定从数据集中读取唯一的 csv 文件，请使用此变量。
• csv_start_index：用于指定要开始读取的行。与 csv_name 结合使用。
• csv_end_index：用于指定要结束读取的行。与 csv_name 结合使用。

工件

训练函数将生成以下三个工件：

• train.csv - 用于训练模型的数据保存在此文件中，用于监管和追踪。
• validation.csv - 用于验证模型的数据。learning-rate-finder.png - 大多数用户都不需要担心这一点。高级用户可能会觉得这很有帮助（请参阅高级部分）。
• train-report.pdf - 包含此运行的摘要信息的报告。第一部分包含用户指定的所有参数。第二部分包含有关数据的统计信息（用于训练和验证的数据点数量以及每个文件的校验和）。最后一部分包含两个图表：
  • 损失图 – 此图以时期数的函数绘制训练损失和验证损失。输出 ML 包版本将始终是验证损失最小的版本（而不是上一个时期的模型）。
  • 指标图 – 此图绘制在每个时期结束时根据验证集计算的指标数量。

评估函数会生成两个工件：

• evaluation.csv - 用于评估模型的数据。
• evaluation-report.pdf - 包含此运行的摘要信息的报告。第一部分包含用户指定的所有参数。第二部分包含有关数据的统计信息（用于评估的数据点数量以及文件校验和）。第三部分包含该评估的统计信息（对于多类，指标将进行加权）。最后一部分包含混淆矩阵的图表，以及准确度、精度、召回率和支持率的按类计算及其平均值。

Paper

RoBERTa：Yinhan Liu 和 Myle Ott 等人发表的《A Robustly Optimized BERT Pretraining Approach》（一种鲁棒优化的 BERT 预训练方法）