この記事はユニークビジョン株式会社 Advent Calendar 2019の9日目の記事です。
はじめに
本記事はspaCyのCLIで文書のカテゴリ分類を学習するの続編です。
前回は英語の文書を扱いましたが、本記事では日本語文書を対象に、spaCyのCLIを用いてカテゴリ分類の学習を行います。
前提条件
前回同様、実行環境にはgoogle ColabのGPUランタイムを使用しており、GPUはTesla P100です。
また、ライブラリのバージョンは
- ginza 2.2.1
- spacy 2.2.1
です。
GiNZAは以下の手順でインストールしておきます。
$ pip install "https://github.com/megagonlabs/ginza/releases/download/latest/ginza-latest.tar.gz"
今回はGoogle Colabで動かすため、以下のおまじないも実行します。
import pkg_resources, imp
imp.reload(pkg_resources)
データセットにはライブドアニュースコーパスを使用します。
事前に、以下のようにしてデータをダウンロードしておきます。
$ wget https://www.rondhuit.com/download/ldcc-20140209.tar.gz
$ tar -xvf ldcc-20140209.tar.gz
データの準備
データ構造は前回と同様のため、保存処理は変わりません。
import spacy
import srsly
from spacy.gold import docs_to_json
def save_to_json(model, data, targets, target_names, output_file, n_texts=0):
def get_categories(target):
return dict([(key, int(target == i)) for i, key in enumerate(target_names)])
nlp = spacy.load(model)
nlp.disable_pipes(*nlp.pipe_names)
sentencizer = nlp.create_pipe("sentencizer")
nlp.add_pipe(sentencizer, first=True)
docs = []
count = 0
for i, doc in enumerate(nlp.pipe(data)):
doc.cats = get_categories(targets[i])
docs.append(doc)
if n_texts > 0 and count == n_texts:
break
count += 1
srsly.write_json(output_file, [docs_to_json(docs)])
return count
この関数を利用できるようにデータを読み込みます。
from pathlib import Path
data = []
targets = []
target_names = []
for target, target_name in enumerate([p for p in Path('text').iterdir() if p.is_dir()]):
target_names.append(target_name.name)
for news in target_name.iterdir():
if 'LICENSE' in news.name:
continue
with open(news) as f:
s = '\n'.join(f.read().splitlines()[2:])
data.append(s)
targets.append(target)
ファイルには以下のように保存します。
from sklearn.model_selection import train_test_split
X_train, X_dev, y_train, y_dev = train_test_split(data, targets, test_size=0.20, random_state=42)
save_to_json(
'ja_ginza',
X_train,
y_train,
target_names,
'train.json'
)
save_to_json(
'ja_ginza',
X_dev,
y_dev,
target_names,
'dev.json'
)
前回の記事と違って、モデルにja_ginzaを指定している点に注意です。
なお、この方法でJSONファイルを作成すると非ASCII文字がUnicodeエスケープされて出力されますが、読み込む際によしなにしてくれるので問題ありません。
学習
前回同様に学習を行うと以下のようなエラーが出ます。
$ !time python -m spacy train ja output train.json dev.json -v ja_ginza -p textcat -ta simple_cnn -g 0
Training pipeline: ['textcat']
Starting with blank model 'ja'
Loading vector from model 'ja_ginza'
Traceback (most recent call last):
File "/usr/lib/python3.6/runpy.py", line 193, in _run_module_as_main
"__main__", mod_spec)
File "/usr/lib/python3.6/runpy.py", line 85, in _run_code
exec(code, run_globals)
File "/usr/local/lib/python3.6/dist-packages/spacy/__main__.py", line 33, in <module>
plac.call(commands[command], sys.argv[1:])
File "/usr/local/lib/python3.6/dist-packages/plac_core.py", line 328, in call
cmd, result = parser.consume(arglist)
File "/usr/local/lib/python3.6/dist-packages/plac_core.py", line 207, in consume
return cmd, self.func(*(args + varargs + extraopts), **kwargs)
File "/usr/local/lib/python3.6/dist-packages/spacy/cli/train.py", line 213, in train
_load_vectors(nlp, vectors)
File "/usr/local/lib/python3.6/dist-packages/spacy/cli/train.py", line 530, in _load_vectors
util.load_model(vectors, vocab=nlp.vocab)
File "/usr/local/lib/python3.6/dist-packages/spacy/util.py", line 162, in load_model
return load_model_from_link(name, **overrides)
File "/usr/local/lib/python3.6/dist-packages/spacy/util.py", line 179, in load_model_from_link
return cls.load(**overrides)
File "/usr/local/lib/python3.6/dist-packages/spacy/data/ja_ginza/__init__.py", line 12, in load
return load_model_from_init_py(__file__, **overrides)
File "/usr/local/lib/python3.6/dist-packages/spacy/util.py", line 228, in load_model_from_init_py
return load_model_from_path(data_path, meta, **overrides)
File "/usr/local/lib/python3.6/dist-packages/spacy/util.py", line 211, in load_model_from_path
return nlp.from_disk(model_path)
File "/usr/local/lib/python3.6/dist-packages/spacy/language.py", line 941, in from_disk
util.from_disk(path, deserializers, exclude)
File "/usr/local/lib/python3.6/dist-packages/spacy/util.py", line 654, in from_disk
reader(path / key)
File "/usr/local/lib/python3.6/dist-packages/spacy/language.py", line 936, in <lambda>
p, exclude=["vocab"]
File "nn_parser.pyx", line 665, in spacy.syntax.nn_parser.Parser.from_disk
File "nn_parser.pyx", line 77, in spacy.syntax.nn_parser.Parser.Model
File "/usr/local/lib/python3.6/dist-packages/spacy/_ml.py", line 323, in Tok2Vec
return _legacy_tok2vec.Tok2Vec(width, embed_size, **kwargs)
File "/usr/local/lib/python3.6/dist-packages/spacy/ml/_legacy_tok2vec.py", line 44, in Tok2Vec
glove = StaticVectors(pretrained_vectors, width, column=cols.index(ID))
File "/usr/local/lib/python3.6/dist-packages/thinc/neural/_classes/static_vectors.py", line 43, in __init__
vectors = self.get_vectors()
File "/usr/local/lib/python3.6/dist-packages/thinc/neural/_classes/static_vectors.py", line 55, in get_vectors
return get_vectors(self.ops, self.lang)
File "/usr/local/lib/python3.6/dist-packages/thinc/extra/load_nlp.py", line 26, in get_vectors
nlp = get_spacy(lang)
File "/usr/local/lib/python3.6/dist-packages/thinc/extra/load_nlp.py", line 14, in get_spacy
SPACY_MODELS[lang] = spacy.load(lang, **kwargs)
File "/usr/local/lib/python3.6/dist-packages/spacy/__init__.py", line 30, in load
return util.load_model(name, **overrides)
File "/usr/local/lib/python3.6/dist-packages/spacy/util.py", line 169, in load_model
raise IOError(Errors.E050.format(name=name))
OSError: [E050] Can't find model 'ja_nopn.vectors'. It doesn't seem to be a shortcut link, a Python package or a valid path to a data directory.
real 0m1.610s
user 0m1.299s
sys 0m0.394s
エラーメッセージを読むと_load_vectorsに問題があるらしいので、以下のコードで状況の再現を試みます。
from spacy.util import get_lang_class, load_model
lang_cls = get_lang_class('ja')
nlp = lang_cls()
load_model('ja_ginza', vocab=nlp.vocab)
すると、これは成功してしまいます。
ちょっとここで力尽きたので、ひとまず空のモデルから学習をしてみることにします。
空のモデルからの学習
上記のコマンドから-v ja_ginzaを外すだけです。
$ !time python -m spacy train ja output train.json dev.json -p textcat -ta simple_cnn -g 0
Training pipeline: ['textcat']
Starting with blank model 'ja'
Counting training words (limit=0)
tcmalloc: large alloc 2128887808 bytes == 0x629bc000 @ 0x7f7744def1e7 0x5acd6b 0x7f773a41a5db 0x7f773a41abf0 0x7f773a41ae36 0x7f773a4185c1 0x50ac25 0x50c5b9 0x7f76e032ab20 0x7f76e032f98f 0x7f76e03226c5 0x7f76e0371c47 0x7f76e31d372a 0x7f76e035efce 0x7f76e31d372a 0x7f76e038b1e7 0x7f76e31d372a 0x7f76e0352148 0x7f76e035c24b 0x59509c 0x54a8a5 0x551b81 0x5aa6ec 0x50abb3 0x50d390 0x508245 0x589471 0x5a067e 0x50d966 0x508245 0x50a080
Textcat evaluation score: F1-score macro-averaged across the labels 'peachy,
smax, it-life-hack, sports-watch, movie-enter, livedoor-homme, dokujo-tsushin,
kaden-channel, topic-news'
Itn Textcat Loss Textcat Token % CPU WPS GPU WPS
--- ------------ ------- ------- ------- -------
1 1312.086 84.850 99.995 32519 119886
2 181.481 89.898 99.995 32879 119157
3 119.681 91.490 99.995 32741 122003
4 87.429 92.677 99.995 32618 119988
5 66.618 92.674 99.995 32005 122189
6 45.137 92.484 99.995 32293 113857
どうやら学習できているらしいのですが、enに比べて非常に重いです。
気軽に学習させてみるという感じでは無いレベルの重さです。
まとめ
spaCyのCLIを用いて日本語文書のカテゴリ分類を試しました。
結論だけ言えば失敗です。
まずはベースモデルの読み込みと重い問題を解決しなければならないかなと考えています。