如何解决我们如何/应该如何对 HuggingFace 令牌分类实体识别中的类进行加权?
我正在使用 token classification 库和自定义数据加载器训练 HuggingFace Transformers(又名命名实体识别)模型。
像大多数 NER 数据集(我想?)一样,存在非常显着的类别不平衡:大多数标记是 other
- 即 不是实体 - 当然,不同实体类本身之间存在一些差异。
正如我们所料,我的“准确度”指标因此被严重扭曲:如果 90% 的标记是 other
,那么获得 80% 的标记分类准确度并不是什么了不起的成就......一个微不足道的模型本可以做得更好!
我可以计算一些额外的、更有洞察力的评估指标——但这让我想知道......我们可以/应该以某种方式将这些权重纳入训练损失吗?这将如何使用典型的 *ForTokenClassification
模型来完成,例如BERTForTokenClassification?
解决方法
这实际上是一个非常有趣的问题,因为似乎(目前)还没有打算自己修改模型中的损失。专门针对BertForTokenClassification
,我发现this code segment:
loss_fct = CrossEntropyLoss()
# ...
loss = loss_fct(logits.view(-1,self.num_labels),labels.view(-1))
要实际更改损失计算并添加其他参数,例如您提到的权重,您可以采用以下两种方法之一:
- 您可以在本地修改转换器的副本,然后从那里安装库,这使得这只是代码中的一个小改动,但在不同的实验中更改部件可能会很麻烦,或者
- 您返回您的 logits(默认情况下是这种情况),并在 Huggingface 模型的实际前向传递之外计算您自己的损失。在这种情况下,您需要了解前向调用中计算的损失的任何潜在传播,但这应该在您的权力范围内进行更改。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。