深度學習實戰：基于bilstm或者dialated convolutions做NER

文章目錄

• Before You Start:
• • 什麼是dialated convolutions？
  • 什麼是NER?
  • 為什麼文本處理可以使用CNN?
• 整體架構
• • input data
  • embedding layer
  • dialated convolution layer or Bilstm
  • • Bilstm
    • dilated convolution layer
  • projection layer
  • • dilated convolution 分類
    • bilstm 分類
  • loss layer
• 标記資料，資料預處理
• • 原始資料
  • 标記資料
  • 準備jieba,建立标記的字典
  • 開始标記資料,打标記的同時，把資料分成３組，用于train,validation,test,最終得到的是IOB格式的标簽
  • 将IOB格式的标簽轉化成IOBES格式

Before You Start:

什麼是dialated convolutions？

CNN 是新的feature map上一個點舊的feature map上一個filter windows上的總結（作了pooling)，pooling就是在做下采樣，feature map不斷縮小，也就是resolution不斷衰減，可以了解為擷取receptive field犧牲了resolution，站得高看得遠但是看不清楚細節了。pooling是導緻resolution衰減的原因。

為了不丢失細節，去掉pooling，但是去掉pooling會導緻receptive field變小（這裡是相比較加pooling的情況），這裡就加入dialated處理，dialated即為filter windows内部的間隔，加入filter window本來３×３，看到９個點，這９個點是挨着的正方形９個點，當dialated＝２時，也是看到９個點，但是９個點之前是挨着的，現在變成每個點中間間隔了一個點，也就是視野變成了７×７。

dialated convolutions一般用于擴大receptive field。

什麼是NER?

Named entity recongnition: 命名實體識别，就是把一篇文章的專有名詞識别出來。對比圖像，圖像是把圖中物體識别出來，這裡是把一段話裡面的實體識别出來。

為什麼文本處理可以使用CNN?

從感受野的角度：處理文本就是要看上下文，filter windows就是１×N的視窗，N就是看到的字的數字，每個字的feature_dim就是filter windows　的channels。

整體架構

input data

即為标記的文本，具體而言：一個batch有四個次元，分割的原文，原文對應的int，标記的實體長度(0,1,2,3)，原文對應的标簽。

_, chars, segs, tags = batch
           

chars, segs, 訓練會用到，tags計算loss會用到。

embedding layer

chars, segs分别通過一個embedding layer然後将兩者的feature拼接起來(100+20)為最後的feature map。

def embedding_layer(self, char_inputs, seg_inputs, config, name=None):
        """
        :param char_inputs: one-hot encoding of sentence
        :param seg_inputs: segmentation feature
        :param config: wither use segmentation feature
        :return: [1, num_steps, embedding size], 
        """
        #高:3 血:22 糖:23 和:24 高:3 血:22 壓:25 char_inputs=[3,22,23,24,3,22,25]
        #高血糖 和 高血壓 seg_inputs 高血糖=[1,2,3] 和=[0] 高血壓=[1,2,3]  seg_inputs=[1,2,3,0,1,2,3]
        embedding = []
        self.char_inputs_test=char_inputs
        self.seg_inputs_test=seg_inputs
        with tf.variable_scope("char_embedding" if not name else name), tf.device('/cpu:0'):
            self.char_lookup = tf.get_variable(
                    name="char_embedding",
                    shape=[self.num_chars, self.char_dim],
                    initializer=self.initializer)
            #輸入char_inputs='常' 對應的字典的索引/編号/value為：8
            #self.char_lookup=[2677*100]的向量，char_inputs字對應在字典的索引/編号/key=[1]
            embedding.append(tf.nn.embedding_lookup(self.char_lookup, char_inputs))
            #self.embedding1.append(tf.nn.embedding_lookup(self.char_lookup, char_inputs))
            if config["seg_dim"]:
                with tf.variable_scope("seg_embedding"), tf.device('/cpu:0'):
                    self.seg_lookup = tf.get_variable(
                        name="seg_embedding",
                        #shape=[4*20]
                        shape=[self.num_segs, self.seg_dim],
                        initializer=self.initializer)
                    embedding.append(tf.nn.embedding_lookup(self.seg_lookup, seg_inputs))
            embed = tf.concat(embedding, axis=-1)
        self.embed_test=embed
        self.embedding_test=embedding
        return embed

           

dialated convolution layer or Bilstm

Bilstm

def biLSTM_layer(self, model_inputs, lstm_dim, lengths, name=None):
        """
        :param lstm_inputs: [batch_size, num_steps, emb_size]
        :return: [batch_size, num_steps, 2*lstm_dim]
        """
        with tf.variable_scope("char_BiLSTM" if not name else name):
            lstm_cell = {}
            for direction in ["forward", "backward"]:
                with tf.variable_scope(direction):
                    lstm_cell[direction] = tf.contrib.rnn.CoupledInputForgetGateLSTMCell(
                        lstm_dim,
                        use_peepholes=True,
                        initializer=self.initializer,
                        state_is_tuple=True)
            outputs, final_states = tf.nn.bidirectional_dynamic_rnn(
                lstm_cell["forward"],
                lstm_cell["backward"],
                model_inputs,
                dtype=tf.float32,
                sequence_length=lengths)
        return tf.concat(outputs, axis=2)
           

dilated convolution layer

輸入的形狀：[第x段話，1,視窗看多少個word,每個字的feature_dim]

shape of input = [batch, in_height, in_width, in_channels]

視窗的形狀：[1,視窗看多少個word,每個字的feature_dim，filters的數目]

shape of filter = [filter_height, filter_width, in_channels, out_channels]

先做一次正常的卷積，然後做self.repeat_times次，每一次有３次dilated convolution，dilated=1,dilated=1,dilated=2，感受野不斷擴大。

注意dilated=1，相當于正常的卷積，但是視野也是會擴大的，想一下卷積不做pooling視野也是擴大的。

def IDCNN_layer(self, model_inputs, 
                    name=None):
        """
        :param idcnn_inputs: [batch_size, num_steps, emb_size] 
        :return: [batch_size, num_steps, cnn_output_width]
        """
        #tf.expand_dims會向tensor中插入一個次元，插入位置就是參數代表的位置（次元從0開始）。
        model_inputs = tf.expand_dims(model_inputs, 1)
        self.model_inputs_test=model_inputs
        reuse = False
        if self.dropout == 1.0:
            reuse = True
        with tf.variable_scope("idcnn" if not name else name):
            #shape=[1*3*120*100]
            # shape=[1, self.filter_width, self.embedding_dim,
            #            self.num_filter]
            # print(shape)
            filter_weights = tf.get_variable(
                "idcnn_filter",
                shape=[1, self.filter_width, self.embedding_dim,
                       self.num_filter],
                initializer=self.initializer)
            
            """
            shape of input = [batch, in_height, in_width, in_channels]
            shape of filter = [filter_height, filter_width, in_channels, out_channels]
            """
            layerInput = tf.nn.conv2d(model_inputs,
                                      filter_weights,
                                      strides=[1, 1, 1, 1],
                                      padding="SAME",
                                      name="init_layer",use_cudnn_on_gpu=False)
            self.layerInput_test=layerInput
            finalOutFromLayers = []
            
            totalWidthForLastDim = 0
            for j in range(self.repeat_times):
                for i in range(len(self.layers)):
                    #1,1,2
                    dilation = self.layers[i]['dilation']
                    isLast = True if i == (len(self.layers) - 1) else False
                    with tf.variable_scope("atrous-conv-layer-%d" % i,
                                           reuse=True
                                           if (reuse or j > 0) else False):
                        #w 卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數
                        w = tf.get_variable(
                            "filterW",
                            shape=[1, self.filter_width, self.num_filter,
                                   self.num_filter],
                            initializer=tf.contrib.layers.xavier_initializer())
                        if j==1 and i==1:
                            self.w_test_1=w
                        if j==2 and i==1:
                            self.w_test_2=w                            
                        b = tf.get_variable("filterB", shape=[self.num_filter])
#tf.nn.atrous_conv2d(value,filters,rate,padding,name=None）
    #除去name參數用以指定該操作的name，與方法有關的一共四個參數：                  
    #value： 
    #指需要做卷積的輸入圖像，要求是一個4維Tensor，具有[batch, height, width, channels]這樣的shape，具體含義是[訓練時一個batch的圖檔數量, 圖檔高度, 圖檔寬度, 圖像通道數] 
    #filters： 
    #相當于CNN中的卷積核，要求是一個4維Tensor，具有[filter_height, filter_width, channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，圖像通道數，卷積核個數]，同理這裡第三維channels，就是參數value的第四維
    #rate： 
    #要求是一個int型的正數，正常的卷積操作應該會有stride（即卷積核的滑動步長），但是空洞卷積是沒有stride參數的，
    #這一點尤其要注意。取而代之，它使用了新的rate參數，那麼rate參數有什麼用呢？它定義為我們在輸入
    #圖像上卷積時的采樣間隔，你可以了解為卷積核當中穿插了（rate-1）數量的“0”，
    #把原來的卷積核插出了很多“洞洞”，這樣做卷積時就相當于對原圖像的采樣間隔變大了。
    #具體怎麼插得，可以看後面更加詳細的描述。此時我們很容易得出rate=1時，就沒有0插入，
    #此時這個函數就變成了普通卷積。  
    #padding： 
    #string類型的量，隻能是”SAME”,”VALID”其中之一，這個值決定了不同邊緣填充方式。
    #ok，完了，到這就沒有參數了，或許有的小夥伴會問那“stride”參數呢。其實這個函數已經預設了stride=1，也就是滑動步長無法改變，固定為1。
    #結果傳回一個Tensor，填充方式為“VALID”時，傳回[batch,height-2*(filter_width-1),width-2*(filter_height-1),out_channels]的Tensor，填充方式為“SAME”時，傳回[batch, height, width, out_channels]的Tensor，這個結果怎麼得出來的？先不急，我們通過一段程式形象的示範一下空洞卷積。                        
                        conv = tf.nn.atrous_conv2d(layerInput,
                                                   w,
                                                   rate=dilation,
                                                   padding="SAME")
                        self.conv_test=conv 
                        conv = tf.nn.bias_add(conv, b)
                        conv = tf.nn.relu(conv)
                        if isLast:
                            finalOutFromLayers.append(conv)
                            totalWidthForLastDim += self.num_filter
                        layerInput = conv
            finalOut = tf.concat(axis=3, values=finalOutFromLayers)
            keepProb = 1.0 if reuse else 0.5
            finalOut = tf.nn.dropout(finalOut, keepProb)
            #Removes dimensions of size 1 from the shape of a tensor. 
                #從tensor中删除所有大小是1的次元
            
                #Given a tensor input, this operation returns a tensor of the same type with all dimensions of size 1 removed. If you don’t want to remove all size 1 dimensions, you can remove specific size 1 dimensions by specifying squeeze_dims. 
            
                #給定張量輸入，此操作傳回相同類型的張量，并删除所有尺寸為1的尺寸。 如果不想删除所有尺寸1尺寸，可以通過指定squeeze_dims來删除特定尺寸1尺寸。
            finalOut = tf.squeeze(finalOut, [1])
            finalOut = tf.reshape(finalOut, [-1, totalWidthForLastDim])
            self.cnn_output_width = totalWidthForLastDim
            return finalOut
           

projection layer

卷積為特征提取器，後面需要添加FC分類。

dilated convolution 分類

#Project layer for idcnn by crownpku
    #Delete the hidden layer, and change bias initializer
    def project_layer_idcnn(self, idcnn_outputs, name=None):
        """
        :param lstm_outputs: [batch_size, num_steps, emb_size] 
        :return: [batch_size, num_steps, num_tags]
        """
        with tf.variable_scope("project"  if not name else name):
            
            # project to score of tags
            with tf.variable_scope("logits"):
                W = tf.get_variable("W", shape=[self.cnn_output_width, self.num_tags],
                                    dtype=tf.float32, initializer=self.initializer)

                b = tf.get_variable("b",  initializer=tf.constant(0.001, shape=[self.num_tags]))

                pred = tf.nn.xw_plus_b(idcnn_outputs, W, b)

            return tf.reshape(pred, [-1, self.num_steps, self.num_tags])
           

bilstm 分類

def project_layer_bilstm(self, lstm_outputs, name=None):
        """
        hidden layer between lstm layer and logits
        :param lstm_outputs: [batch_size, num_steps, emb_size] 
        :return: [batch_size, num_steps, num_tags]
        """
        with tf.variable_scope("project"  if not name else name):
            with tf.variable_scope("hidden"):
                W = tf.get_variable("W", shape=[self.lstm_dim*2, self.lstm_dim],
                                    dtype=tf.float32, initializer=self.initializer)

                b = tf.get_variable("b", shape=[self.lstm_dim], dtype=tf.float32,
                                    initializer=tf.zeros_initializer())
                output = tf.reshape(lstm_outputs, shape=[-1, self.lstm_dim*2])
                hidden = tf.tanh(tf.nn.xw_plus_b(output, W, b))

            # project to score of tags
            with tf.variable_scope("logits"):
                W = tf.get_variable("W", shape=[self.lstm_dim, self.num_tags],
                                    dtype=tf.float32, initializer=self.initializer)

                b = tf.get_variable("b", shape=[self.num_tags], dtype=tf.float32,
                                    initializer=tf.zeros_initializer())

                pred = tf.nn.xw_plus_b(hidden, W, b)

            return tf.reshape(pred, [-1, self.num_steps, self.num_tags])
           

loss layer

NLP處理一般使用條件随機場。

def loss_layer(self, project_logits, lengths, name=None):
        """
        calculate crf loss
        :param project_logits: [1, num_steps, num_tags]
        :return: scalar loss
        """
        with tf.variable_scope("crf_loss"  if not name else name):
            small = -1000.0
            # pad logits for crf loss
            start_logits = tf.concat(
                [small * tf.ones(shape=[self.batch_size, 1, self.num_tags]), tf.zeros(shape=[self.batch_size, 1, 1])], axis=-1)
            pad_logits = tf.cast(small * tf.ones([self.batch_size, self.num_steps, 1]), tf.float32)
            logits = tf.concat([project_logits, pad_logits], axis=-1)
            logits = tf.concat([start_logits, logits], axis=1)
            targets = tf.concat(
                [tf.cast(self.num_tags*tf.ones([self.batch_size, 1]), tf.int32), self.targets], axis=-1)

            self.trans = tf.get_variable(
                "transitions",
                shape=[self.num_tags + 1, self.num_tags + 1],
                initializer=self.initializer)
            #crf_log_likelihood在一個條件随機場裡面計算标簽序列的log-likelihood
            #inputs: 一個形狀為[batch_size, max_seq_len, num_tags] 的tensor,
            #一般使用BILSTM處理之後輸出轉換為他要求的形狀作為CRF層的輸入. 
            #tag_indices: 一個形狀為[batch_size, max_seq_len] 的矩陣,其實就是真實标簽. 
            #sequence_lengths: 一個形狀為 [batch_size] 的向量,表示每個序列的長度. 
            #transition_params: 形狀為[num_tags, num_tags] 的轉移矩陣    
            #log_likelihood: 标量,log-likelihood 
            #transition_params: 形狀為[num_tags, num_tags] 的轉移矩陣               
            log_likelihood, self.trans = crf_log_likelihood(
                inputs=logits,
                tag_indices=targets,
                transition_params=self.trans,
                sequence_lengths=lengths+1)
            return tf.reduce_mean(-log_likelihood)
           

标記資料，資料預處理

原始資料

從網站爬取的資料，類似如下：

患者精神狀況好，無發熱，訴右髋部疼痛，飲食差，二便正常，查體：神清，各項生命體征平穩，心肺腹查體未見異常。右髋部壓痛，右下肢皮牽引固定好，無松動，右足背動脈搏動好，足趾感覺運動正常。
           

标記資料

準備jieba,建立标記的字典

#%% for jieba
dics=csv.reader(open("DICT_NOW.csv",'r',encoding='utf8'))
#%% get word and class
for row in dics:                                                   # 将醫學專有名詞以及标簽加入結巴詞典中
    if len(row)==2:
        jieba.add_word(row[0].strip(),tag=row[1].strip())            # add_word保證添加的詞語不會被cut掉
        jieba.suggest_freq(row[0].strip())                           # 可調節單個詞語的詞頻，使其能（或不能）被分出來。
           

開始标記資料,打标記的同時，把資料分成３組，用于train,validation,test,最終得到的是IOB格式的标簽

for file in os.listdir(c_root):
    if "txtoriginal.txt" in file:
        fp=open(c_root+file,'r',encoding='utf8')
        for line in fp:
            split_num+=1
            words=pseg.cut(line)
            for key,value in words: 
                #print(key)
                #print(value)
                if value.strip() and key.strip():
                    import time 
                    start_time=time.time()
                    index=str(1) if split_num%15<2 else str(2)  if split_num%15>1 and split_num%15<4 else str(3) 
                    end_time=time.time()
                    #print("method one used time is {}".format(end_time-start_time))
                    if value not in biaoji:
                        value='O'
                        for achar in key.strip():
                            if achar and achar.strip() in fuhao:
                                string=achar+" "+value.strip()+"\n"+"\n"
                                dev.write(string) if index=='1' else test.write(string) if index=='2' else train.write(string) 
                            elif achar.strip() and achar.strip() not in fuhao:
                                string = achar + " " + value.strip() + "\n"
                                dev.write(string) if index=='1' else test.write(string) if index=='2' else train.write(string) 
        
                    elif value.strip()  in biaoji:
                        begin=0
                        for char in key.strip():
                            if begin==0:
                                begin+=1
                                string1=char+' '+'B-'+value.strip()+'\n'
                                if index=='1':                               
                                    dev.write(string1)
                                elif index=='2':
                                    test.write(string1)
                                elif index=='3':
                                    train.write(string1)
                                else:
                                    pass
                            else:
                                string1 = char + ' ' + 'I-' + value.strip() + '\n'
                                if index=='1':                               
                                    dev.write(string1)
                                elif index=='2':
                                    test.write(string1)
                                elif index=='3':
                                    train.write(string1)
                                else:
                                    pass
                    else:
                        continue                        
           

将IOB格式的标簽轉化成IOBES格式

# Use selected tagging scheme (IOB / IOBES)               I：中間，O：其他，B：開始 | E：結束，S：單個
    update_tag_scheme(train_sentences, FLAGS.tag_schema)
    update_tag_scheme(test_sentences, FLAGS.tag_schema)
    update_tag_scheme(dev_sentences, FLAGS.tag_schema)
           

def update_tag_scheme(sentences, tag_scheme):
    """
    Check and update sentences tagging scheme to IOB2.
    Only IOB1 and IOB2 schemes are accepted.
    """
    for i, s in enumerate(sentences):
        tags = [w[-1] for w in s]
        # Check that tags are given in the IOB format
        if not iob2(tags):
            s_str = '\n'.join(' '.join(w) for w in s)
            raise Exception('Sentences should be given in IOB format! ' +
                            'Please check sentence %i:\n%s' % (i, s_str))
        if tag_scheme == 'iob':
            # If format was IOB1, we convert to IOB2
            for word, new_tag in zip(s, tags):
                word[-1] = new_tag
        elif tag_scheme == 'iobes':
            new_tags = iob_iobes(tags)
            for word, new_tag in zip(s, new_tags):
                word[-1] = new_tag
        else:
            raise Exception('Unknown tagging scheme!')