-
Notifications
You must be signed in to change notification settings - Fork 3
/
Copy pathiflytek.py
349 lines (322 loc) · 12.3 KB
/
iflytek.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
# -*- encoding: utf-8 -*-
"""
-------------------------------------------------
File Name： tnews.py
Description :
Author : Wings DH
Time： 6/16/21 10:40 PM
-------------------------------------------------
Change Activity:
6/16/21: Create
-------------------------------------------------
"""
import sys
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
from utils.seed import set_seed
set_seed()
from modeling.classifier import LabelData
from modeling.mlm_encoder import MlmBertEncoder
from modeling.retriever_classifier import RetrieverClassifier
from utils.cls_train import eval_model, dump_result
sys.path.append('../')
sys.path.append('./')
from utils.data_utils import load_data, load_test_data
from absl import flags, app
flags.DEFINE_string('c', '0', 'index of tnews dataset')
FLAGS = flags.FLAGS
def infer(test_data, classifier):
for d in test_data:
sentence = d.pop('sentence')
label, _ = classifier.classify(sentence)
label_id = label_desc_id[label]
d['label'] = label_id
return test_data
label_desc_id = {'旅游资讯': '62',
'公务员': '55',
'免费WIFI': '2',
'英语': '56',
'婚恋社交': '29',
'体育竞技': '19',
'收款': '117',
'汽车咨询': '75',
'成人教育': '59',
'银行': '99',
'影像剪辑': '101',
'政务': '9',
'民航': '64',
'语言(非英语)': '61',
'短视频': '47',
'MOBA': '23',
'动作类': '18',
'视频教育': '57',
'音乐': '48',
'问答交流': '39',
'杂志': '41',
'薅羊毛': '11',
'辅助工具': '24',
'股票': '94',
'电影票务': '109',
'职考': '54',
'体育咨讯': '90',
'打车': '0',
'工具': '70',
'卡牌': '14',
'情侣社交': '30',
'驾校': '73',
'魔幻': '12',
'社区服务': '10',
'生活社交': '32',
'相机': '103',
'高等教育': '58',
'汽车交易': '76',
'射击游戏': '16',
'直播': '49',
'工作社交': '27',
'买房': '80',
'技术': '37',
'美妆美业': '87',
'租房': '79',
'艺术': '60',
'电商': '106',
'K歌': '51',
'铁路': '65',
'飞行空战': '15',
'绘画': '104',
'教辅': '38',
'酒店': '66',
'运动健身': '91',
'社交工具': '31',
'出国': '69',
'微博博客': '33',
'问诊挂号': '83',
'日常养车': '77',
'经营': '116',
'支付': '92',
'日程管理': '114',
'其他': '118',
'视频': '46',
'违章': '74',
'即时通讯': '26',
'团购': '107',
'购物咨询': '111',
'电子产品': '82',
'记账': '98',
'养生保健': '84',
'策略': '22',
'仙侠': '13',
'中小学': '53',
'棋牌中心': '20',
'小说': '36',
'求职': '44',
'二手': '105',
'母婴': '72',
'约会社交': '25',
'餐饮店': '89',
'民宿短租': '68',
'成人': '52',
'家政': '7',
'办公': '113',
'同城服务': '4',
'租车': '3',
'百科': '42',
'搞笑': '40',
'漫画': '35',
'理财': '96',
'电台': '50',
'兼职': '45',
'亲子儿童': '71',
'女性': '115',
'行车辅助': '78',
'彩票': '97',
'摄影修图': '102',
'经营养成': '21',
'行程管理': '67',
'论坛圈子': '28',
'装修家居': '81',
'婚庆': '6',
'保险': '93',
'快递物流': '5',
'外卖': '108',
'地图导航': '1',
'美颜': '100',
'社区超市': '110',
'减肥瘦身': '86',
'公共交通': '8',
'影视娱乐': '43',
'医疗服务': '85',
'借贷': '95',
'新闻': '34',
'菜谱': '88',
'休闲益智': '17',
'笔记': '112',
'综合预定': '63'}
label_2_desc = {'银行': '银行',
'社区服务': '社区',
'电商': '电商',
'支付': '支付',
'经营养成': '经营',
'卡牌': '卡牌',
'借贷': '借贷',
'驾校': '驾校',
'理财': '理财',
'职考': '职考',
'新闻': '新闻',
'旅游资讯': '旅游',
'公共交通': '交通',
'魔幻': '魔幻',
'医疗服务': '医疗',
'影像剪辑': '影像',
'动作类': '动作',
'工具': '工具',
'体育竞技': '体育',
'小说': '小说',
'运动健身': '运动',
'相机': '相机',
'辅助工具': '工具',
'快递物流': '快递',
'高等教育': '教育',
'股票': '股票',
'菜谱': '菜谱',
'行车辅助': '行车',
'仙侠': '仙侠',
'亲子儿童': '亲子',
'购物咨询': '购物',
'射击游戏': '射击',
'漫画': '漫画',
'中小学': '小学',
'同城服务': '同城',
'成人教育': '成人',
'求职': '求职',
'电子产品': '电子',
'艺术': '艺术',
'薅羊毛': '赚钱',
'约会社交': '约会',
'经营': '经营',
'兼职': '兼职',
'短视频': '视频',
'音乐': '音乐',
'英语': '英语',
'棋牌中心': '棋牌',
'摄影修图': '摄影',
'养生保健': '养生',
'办公': '办公',
'政务': '政务',
'视频': '视频',
'论坛圈子': '论坛',
'彩票': '彩票',
'直播': '直播',
'其他': '其他',
'休闲益智': '休闲',
'策略': '策略',
'即时通讯': '通讯',
'汽车交易': '买车',
'违章': '违章',
'地图导航': '地图',
'民航': '民航',
'电台': '电台',
'语言(非英语)': '语言',
'搞笑': '搞笑',
'婚恋社交': '婚恋',
'社区超市': '超市',
'日常养车': '养车',
'杂志': '杂志',
'视频教育': '在线',
'家政': '家政',
'影视娱乐': '影视',
'装修家居': '装修',
'体育咨讯': '资讯',
'社交工具': '社交',
'餐饮店': '餐饮',
'美颜': '美颜',
'问诊挂号': '挂号',
'飞行空战': '飞行',
'综合预定': '预定',
'电影票务': '票务',
'笔记': '笔记',
'买房': '买房',
'外卖': '外卖',
'母婴': '母婴',
'打车': '打车',
'情侣社交': '情侣',
'日程管理': '日程',
'租车': '租车',
'微博博客': '博客',
'百科': '百科',
'绘画': '绘画', '铁路': '铁路',
'生活社交': '生活',
'租房': '租房',
'酒店': '酒店',
'保险': '保险',
'问答交流': '问答',
'收款': '收款',
'MOBA': '竞技',
'K歌': '唱歌',
'技术': '技术',
'减肥瘦身': '减肥',
'工作社交': '工作',
'团购': '团购',
'记账': '记账',
'女性': '女性',
'公务员': '公务',
'二手': '二手',
'美妆美业': '美妆',
'汽车咨询': '汽车', '行程管理': '行程',
'免费WIFI': '免费', '教辅': '教辅', '成人': '两性', '出国': '出国', '婚庆': '婚庆', '民宿短租': '民宿'}
def get_data_fp(use_index):
train_fp = f'dataset/iflytek/train_{use_index}.json'
dev_fp = f'dataset/iflytek/dev_{use_index}.json'
test_fp = 'dataset/iflytek/test.json'
my_test_fp = []
for ind in range(5):
if str(ind) != use_index:
my_test_fp.append(f'dataset/iflytek/dev_{ind}.json')
return train_fp, dev_fp, my_test_fp, test_fp
def main(_):
# 参数
# 加载数据
train_fp, dev_fp, my_test_fp, test_fp = get_data_fp(FLAGS.c)
key_label = 'label_des'
key_sentence = 'sentence'
train_data = load_data(train_fp, key_sentence, key_label)
data = [LabelData(text, label) for text, label in train_data]
dev_data = load_data(dev_fp, key_sentence, key_label)
# 初始化encoder
n_top = 5
model_path = '../chinese_roberta_wwm_ext_L-12_H-768_A-12'
weight_path = f'../temp_iflytek_{FLAGS.c}.weights'
prefix = '以下是一款游戏软件，'
mask_ind = [5, 6]
encoder = MlmBertEncoder(model_path, weight_path, train_data, dev_data, prefix, mask_ind, label_2_desc, 8,
merge=MlmBertEncoder.CONCAT, norm=False, lr=1e-4, policy='attention')
classifier = RetrieverClassifier(encoder, data, n_top=n_top)
print('Evel model')
rst = eval_model(classifier, [dev_fp], key_sentence, key_label)
print(f'{train_fp} + {dev_fp} -> {rst}')
# fine tune
best_acc = 0
for epoch in range(10):
print(f'Training epoch {epoch}')
encoder.train(1)
# 加载分类器
classifier = RetrieverClassifier(encoder, data, n_top=n_top)
print('Evel model')
rst = eval_model(classifier, [dev_fp], key_sentence, key_label)
print(f'{train_fp} + {dev_fp} -> {rst}')
if rst > best_acc:
encoder.save()
best_acc = rst
print(f'Save for best {best_acc}')
# # 加载最终模型
encoder.load()
classifier = RetrieverClassifier(encoder, data, n_top=n_top)
# 自测试集测试
rst = eval_model(classifier, my_test_fp, key_sentence, key_label)
print(f'{train_fp} + {dev_fp} -> {rst}')
# 官方测试集
test_data = load_test_data(test_fp)
test_data = infer(test_data, classifier)
outp_fn = f'iflytekf_predict_{FLAGS.c.replace("few_all", "all")}.json'
dump_result(outp_fn, test_data)
if __name__ == "__main__":
app.run(main)