File size: 8,946 Bytes
97c46f0 7fe102c 301bdd5 7fe102c 46f1d8c 7fe102c 46f1d8c 7fe102c 46f1d8c 7fe102c 46f1d8c 97c46f0 46f1d8c 7fe102c 46f1d8c 97c46f0 46f1d8c 97c46f0 46f1d8c 97c46f0 7fe102c 46f1d8c 7fe102c 46f1d8c 97c46f0 7fe102c 46f1d8c 7fe102c 46f1d8c 7fe102c 46f1d8c 7fe102c 46f1d8c 7fe102c cd708ec 7fe102c 97c46f0 46f1d8c 97c46f0 7fe102c 67a2f9a |
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 |
from __future__ import annotations
import torch
from torchtyping import TensorType
from .fasttext_jp_embedding import FastTextJpModel, FastTextJpConfig
from transformers.modeling_outputs import SequenceClassifierOutput
class FastTextForSeuqenceClassificationConfig(FastTextJpConfig):
"""FastTextJpModelのConfig
"""
model_type = "fasttext_classification"
def __init__(self,
ngram: int | list[int] = 2,
tokenizer_class="FastTextJpTokenizer",
**kwargs):
"""初期化処理
Args:
ngram (int | list[int], optional):
文章を分割する際のNgram。
tokenizer_class (str, optional):
tokenizer_classを指定しないと、pipelineから読み込まれません。
config.jsonに記載されます。
"""
if isinstance(ngram, int):
self.ngrams = [ngram]
elif isinstance(ngram, list):
self.ngrams = ngram
else:
raise TypeError(f"got unknown type {type(ngram)}")
kwargs["tokenizer_class"] = tokenizer_class
super().__init__(**kwargs)
class NgramForSeuqenceClassification():
def __init__(self):
...
def __call__(self, sentence: TensorType["A", "vectors"],
candidate_label: TensorType["B", "vectors"],
ngram: int) -> TensorType[3]:
"""Ngramで文章を分けてコサイン類似度を算出する。
Args:
sentence (TensorType["A", "vectors"]): 文章ベクトル
candidate_label (TensorType["B", "vectors"]): ラベルベクトル
ngram (int): Ngram
Returns:
TensorType[3]:
文章の類似度。[Entailment, Neutral, Contradiction]
"""
sentence_ngrams = self.split_ngram(sentence, ngram)
candidate_label_mean = torch.mean(candidate_label, dim=0, keepdim=True)
p = self.cosine_similarity(sentence_ngrams, candidate_label_mean)
return torch.tensor([torch.log(p), -torch.inf, torch.log(1 - p)])
def cosine_similarity(
self, sentence_ngrams: TensorType["ngrams", "vectors"],
candidate_label_mean: TensorType[1, "vectors"]) -> TensorType[1]:
"""コサイン類似度を計算する。
Args:
sentence_ngrams (TensorType["ngrams", "vectors"]):
Ngram化された文章ベクトル
candidate_label_mean (TensorType[1, "vectors"]):
ラベルベクトル
Returns:
TensorType[1]: _description_
"""
res = torch.tensor(0.)
for i in range(len(sentence_ngrams)):
sw = sentence_ngrams[i]
p = torch.nn.functional.cosine_similarity(sw,
candidate_label_mean[0],
dim=0)
if p > res:
res = p
return res
def split_ngram(self, sentences: TensorType["A", "vectors"],
n: int) -> TensorType["ngrams", "vectors"]:
"""AとBの関連度を計算します。
Args:
sentences(TensorType["A", "vectors"]):
対象の文章
n(int):
ngram
Returns:
TensorType["ngrams", "vectors"]:
Ngram化された文章
"""
res = []
if len(sentences) <= n:
return torch.stack([torch.mean(sentences, dim=0, keepdim=False)])
for i in range(len(sentences) - n + 1):
ngram = sentences[i:i + n]
res.append(torch.mean(ngram, dim=0, keepdim=False))
return torch.stack(res)
class NgramsForSeuqenceClassification():
def __init__(self, config: FastTextForSeuqenceClassificationConfig):
self.max_ngrams = config.ngrams
self.ngram_layer = NgramForSeuqenceClassification()
def __call__(self, sentence: TensorType["A", "vectors"],
candidate_label: TensorType["B", "vectors"]) -> TensorType[3]:
"""AとBの関連度を計算します。
Args:
sentence(TensorType["A", "vectors"]):
対象の文章
candidate_label(TensorType["B", "vectors"]):
ラベルの文章
Returns:
TensorType[3]:
文章の類似度。[Entailment, Neutral, Contradiction]
"""
res = [-torch.inf, -torch.inf, -torch.inf]
for ngram in self.max_ngrams:
logit = self.ngram_layer(sentence, candidate_label, ngram)
if logit[0] > res[0]:
res = logit
return torch.tensor(res)
class BatchedNgramsForSeuqenceClassification():
def __init__(self, config: FastTextForSeuqenceClassificationConfig):
self.ngrams_layer = NgramsForSeuqenceClassification(config)
def __call__(
self,
last_hidden_state: TensorType["batch", "A+B", "vectors"],
token_type_ids: TensorType["batch", "A+B"],
attention_mask: TensorType["batch", "A+B"],
) -> TensorType["batch", 3]:
"""AとBの関連度を計算します。
Args:
last_hidden_state(TensorType["batch", "A+B", "vectors"]):
embeddingsの値。
token_type_ids(TensorType["A+B"]):
文章のid。0か1で、Bの場合1。
attention_mask(TensorType["A+B"]):
padを識別する。0か1で、padの場合1。
Returns:
TensorType["batch", 3]:
文章の類似度。[Entailment, Neutral, Contradiction]
"""
logits = []
embeddings = last_hidden_state
for idx in range(len(embeddings)):
vec = embeddings[idx]
# token_type_ids == 0が文章、1がラベルです。
token_type_ids = token_type_ids[idx]
# attention_mask == 1がパディングでないもの
attention_mask = attention_mask[idx]
sentence, candidate_label = self.split_sentence(
vec, token_type_ids, attention_mask)
logit = self.ngrams_layer(sentence, candidate_label)
logits.append(logit)
logits = torch.tensor(logits)
return logits
def split_sentence(
self, vec: TensorType["A+B", "vectors"],
token_type_ids: TensorType["A+B"], attention_mask: TensorType["A+B"]
) -> tuple[TensorType["A", "vectors"], TensorType["B", "vectors"]]:
"""CrossEncoderになっているので、文章を分割します。
Args:
vec(TensorType["A+B","vectors"]):
単語ベクトル
token_type_ids(TensorType["A+B"]):
文章のid。0か1で、Bの場合1。
attention_mask(TensorType["A+B"]):
padを識別する。0か1で、padの場合1。
Returns:
tuple[TensorType["A", "vectors"], TensorType["B", "vectors"]]:
AとBの文章を分割して返します。
"""
sentence = vec[torch.logical_and(token_type_ids == 0,
attention_mask == 1)]
candidate_label = vec[torch.logical_and(token_type_ids == 1,
attention_mask == 1)]
return sentence, candidate_label
class FastTextForSeuqenceClassification(FastTextJpModel):
"""FastTextのベクトルをベースとした分類を行います。
"""
def __init__(self, config: FastTextForSeuqenceClassificationConfig):
self.layer = BatchedNgramsForSeuqenceClassification(config)
super().__init__(config)
def forward(
self,
input_ids: TensorType["batch", "A+B", "vecotors"] = None,
attention_mask: TensorType["batch", "A+B"] = None,
token_type_ids: TensorType["batch", "A+B"] = None
) -> SequenceClassifierOutput:
"""候補となるラベルから分類を行います。
Returns:
SequenceClassifierOutput: 候補が正解している確率
"""
outputs = self.word_embeddings(input_ids)
logits = self.layer(last_hidden_state=outputs,
attention_mask=attention_mask,
token_type_ids=token_type_ids)
return SequenceClassifierOutput(
loss=None,
logits=logits,
hidden_states=None,
attentions=None,
)
# AutoModelに登録が必要だが、いろいろやり方が変わっているようで定まっていない。(2022/11/6)
# https://huggingface.co/docs/transformers/custom_models#sending-the-code-to-the-hub
FastTextForSeuqenceClassificationConfig.register_for_auto_class()
FastTextForSeuqenceClassification.register_for_auto_class(
"AutoModelForSequenceClassification")
|