Transformers Pipelines

pipelines 是使用模型进行推理的一种很好且简单的方法。这些pipelines 是从库中抽象出大部分复杂代码的对象，提供了一个简单的API，专门用于多个任务，包括命名实体识别、屏蔽语言建模、情感分析、特征提取和问答等。

参数说明

初始化pipeline时可能的参数：

task (str) — 定义pipeline需要返回的任务。

model (str or PreTrainedModel or TFPreTrainedModel, optional) — 拟使用的模型，有时可以只指定模型，不指定task

config (str or PretrainedConfig, optional) — 实例化模型的配置。取值可以是一个模型标志符（模型名称），也可以是利用PretrainedConfig继承得来

tokenizer (str or PreTrainedTokenizer, optional) — 用于编码模型中的数据。取值可以是一个模型标志符（模型名称），也可以是利用 PreTrainedTokenizer继承得来

feature_extractor (str or PreTrainedFeatureExtractor, optional) — 特征提取器

framework (str, optional) — 指明运行模型的框架，要么是"pt"（表示pytorch）， 要么是"tf"（表示tensorflow）

revision (str, optional, defaults to "main") — 指定所加载模型的版本

use_fast (bool, optional, defaults to True) — 如果可以的话（a PreTrainedTokenizerFast），是否使用Fast tokenizer

use_auth_token (str or bool, optional) — 是否需要认证

device (int or str or torch.device) — 指定运行模型的硬件设备。（例如："cpu"，"cuda:1"，"mps"，或者是一个GPU的编号，比如 1）

device_map (str or Dict[str, Union[int, str, torch.device], optional) — Sent directly as model_kwargs (just a simpler shortcut). When accelerate library is present, set device_map="auto" to compute the most optimized device_map automatically. More information

torch_dtype (str or torch.dtype, optional) — 指定模型可用的精度。sent directly as model_kwargs (just a simpler shortcut) to use the available precision for this model (torch.float16, torch.bfloat16, … or "auto").

trust_remote_code (bool, optional, defaults to False) —

使用pipeline对象处理数据可能的参数：

batch_size (int) — 数据处理的批次大小

truncation (bool, optional, defaults to False) — 是否截断

padding (bool, optional, defaults to False) — 是否padding

实例：

初始化一个文本分类其的pipeline 对象

from transformers import pipeline
classifier = pipeline(task="text-classification")   #

模型的输入inputs（可以是一个字典、列表、单个字符串）。

inputs = "嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻嘻"

使用pipeline对象处理数据

results = classifier(inputs, truncation=True, padding=True, max_length=512): 

批处理的使用建议

• 在有延迟限制的实时任务中， 别用批处理
• 使用CPU进行预测时，别用批处理
• 如果您不知道sequence_length的大小（例如自然数据），别用批处理。设置OOM检查，以便于过长输入序列导致模型执行异常时，模型可以自动重启
  • 如果输入中包含100个样本序列，仅一个样本序列长度是600，其余长度为4，那么当它们作为一个批次输入时，输入数据的shape也仍是(100, 600)。
• 如果样本sequence_length比较规整，则建议使用尽可能大的批次。
• 总之，使用批处理需要处理更好溢出问题

Pipelines 主要包括三大模块（以TextClassificationPipeline为例）

数据预处理：tokenize 未处理的数据。对应pipeline中的preprocess()

前向计算：模型进行计算。对应pipeline中的_forward()

后处理：对模型计算出来的logits进行进一步处理。对应pipeline中的postprocess()

PS: 继承pipeline类（如TextClassificationPipeline），并重写以上的三个函数，可以实现自定义pipeline

实例（修改模型预测的标签）：此处以修改模型预测标签为例，重写后处理过程postprocess()

1、导库，并读取提前准备好的标签映射数据

# coding=utf-8
from transformers import pipeline
from transformers import TextClassificationPipeline
import numpy as np
import json
import pandas as pd


with open('model_save_epochs100_batch1/labelmap.json')as fr:
    id2label = {ind: label for ind, label in enumerate(json.load(fr).values())}
    
    

2、自定义pipeline（继承TextClassificationPipeline，并重写postprocess()）

class CustomTextClassificationPipeline(TextClassificationPipeline):

    def sigmoid_(self, _outputs):
        return 1.0 / (1.0 + np.exp(-_outputs))

    def postprocess(self, model_outputs, function_to_apply=None, top_k=1, _legacy=True):

        outputs = model_outputs["logits"][0]  # 感觉这里每次只会返回一个样本的计算结果
        outputs = outputs.numpy()
        scores = self.sigmoid_(outputs)
        dict_scores = [
            {"label": id2label[i], "score": score.item()} for i, score in enumerate(scores) if score > 0.5
        ]
        return dict_scores

3、使用自定义的pipeline实例化一个分类器（有两种方式）

方式一：将自定义类名传参给pipeline_class

classifier = pipeline(model='model_save_epochs100_batch1/checkpoint-325809',
                      pipeline_class=CustomTextClassificationPipeline, 
                      task="text-classification",
                      function_to_apply='sigmoid', top_k=10, device=0)  # return_all_scores=True

方式二：直接使用自定义类创建分类器

from transformers import AutoModelForSequenceClassification

model = AutoModelForSequenceClassification.from_pretrained('model_save_epochs100_batch1/checkpoint-325809')

classifier = CustomTextClassificationPipeline(model=model, # 此处model的值得是加载好了得模型，不能是一个字符串
                      pipeline_class=CustomTextClassificationPipeline, 
                      task="text-classification",
                      function_to_apply='sigmoid', top_k=10, device=0)  # return_all_scores=True

4、利用分类器对文本数据进行预测

# 读取待测数据
with open('raw_data/diseasecontent.json', 'r', encoding='utf-8') as fr:
    texts = [text.strip() for text in json.load(fr)if text.strip("000").strip()]

res = []
for text in texts:
    labels = []
    for ite in classifier(text, truncation=True, max_length=512): #  padding=True,  执行预测
        labels.append(ite['label'])
    res.append({'text': text, 'labels': labels})

# 保存预测结果
df = pd.DataFrame(res)
df.to_excel('model_save_epochs100_batch1/test_res.xlsx')