【知识拓展】机器学习基础(一)：什么是预处理对象、模型对象 、pipeline、Tokenizer

前言

        公司业务需要一套可离线部署的检索增强生成(RAG)大模型知识库，于是最近花了一周时间了解了AI相关的技术。除了查阅各类高质量技术博客，也自行动手进行了一些demo样例。其中包括huggingface、modelscope等平台，虽能使用，但疑惑还是不少，仅在此记录一些学习中的过程和问题，以便日后自我查阅。

几个关键的概念

        对于机器学习方面的初学者来说，预处理对象、模型对象和 pipeline 是经常见到的，尤其是写过一些demo，它们在数据处理、模型训练和预测等过程中起着重要作用。很多时候官方概念可能难以理解，以下是个人经过查阅资料后，解释这些概念及其作用。

        下面会根据部分Demo代码案例说明。

预处理对象

        对原始数据进行处理和转换的工具或方法，以便将数据转换为适合模型输入的格式。简单的说就是对数据进行预处理，处理成模型所需要的输入格式，例如将文本转化为输入 ID 和其他必要的张量。常见的一些预处理如下：

• 数据清理：处理缺失值、去除噪声、纠正数据错误等。
• 特征工程：生成、选择和转换特征，如标准化、归一化、特征缩放等。
• 数据增强：特别是对于图像数据，可能包括旋转、裁剪、翻转等操作。
• 编码：将分类变量转换为数值形式（如独热编码）。
• 拆分数据：将数据集分为训练集、验证集和测试集。

示例一(使用scikit-learn的预处理对象)

from sklearn.preprocessing import StandardScaler

# 创建预处理对象
scaler = StandardScaler()

# 适配数据并进行转换
X_train_scaled = scaler.fit_transform(X_train)

模型对象

        模型对象是由特定的算法和参数组成，经过训练后能够进行预测或分类。模型对象通常包括以下部分：

• 结构：模型的架构，例如线性回归、决策树、神经网络等。
• 参数：模型的可调参数，通过训练数据进行学习和优化。
• 训练方法：用于优化模型参数的方法，例如梯度下降。

示例一(使用scikit-learn的模型对象)

接上述示例一

from sklearn.linear_model import LogisticRegression

# 创建模型对象
model = LogisticRegression()

# 训练模型
model.fit(X_train_scaled, y_train)

Pipeline

        将多个数据处理步骤和模型训练步骤串联起来，以便简化和自动化整个工作流程。它将数据预处理和模型训练过程结合在一起，使得整个过程可以作为一个单独的工作流来处理。简单的说就是将多个步骤封装在一起，使用者无需关注细节，一个高级API。

        一个完整的pipeline一般包括了数据的前处理、模型的前向推理、数据的后处理三个过程。

示例一（使用 scikit-learn）

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

# 创建 pipeline 对象
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('logistic_regression', LogisticRegression())
])

# 训练 pipeline
pipeline.fit(X_train, y_train)

示例二：

        pipeline 简化了整个处理过程，通过内部调用预处理、模型推理和后处理步骤，让用户能够方便地调用复杂的模型并得到结果。

from modelscope.pipelines import pipeline

# 创建 word segmentation pipeline
word_segmentation = pipeline('word-segmentation', model='damo/nlp_structbert_word-segmentation_chinese-base')

# 输入字符串
input_str = '今天天气不错，适合出去游玩'

# 输出分词结果
print(word_segmentation(input_str))

Tokenizer

        标记器，自然语言处理（NLP）中的一个关键工具，用于将文本数据转换为模型可以处理的格式。具体来说，Tokenizer 将输入的文本字符串分割成更小的单元（通常是单词或子词），然后将这些单元映射到整数 ID。这些整数 ID 作为输入传递给机器学习模型。简单的说，用来作为数据细化处理到最小单元token(标记)。主要功能如下：

• 分词（Tokenization）: 将文本分割成更小的单元，如单词或子词。例如，句子“Hello, how are you?” 可以被分割成 ["Hello", ",", "how", "are", "you", "?"]。

• 映射到 ID（Token to ID Mapping）: 将每个 token 映射到一个唯一的整数 ID。这个映射通常基于一个预定义的词汇表。例如，"Hello" 可能被映射为 123，"how" 可能被映射为 456。

• 添加特殊标记（Special Tokens）: 对于一些模型，需要在输入序列的开头和结尾添加特殊标记。例如，在 BERT 模型中，句子的开头和结尾分别添加 [CLS] 和 [SEP] 标记。

• 生成注意力掩码（Attention Mask）: 创建一个掩码，指示哪些 token 是实际输入，哪些是填充部分（padding）。填充部分是为了使输入序列达到固定长度。

• 解码（Decoding）: 将整数 ID 序列转换回原始文本或接近原始文本的形式。这在生成任务中非常重要，如文本生成或翻译。

示例一（使用 Hugging Face 的 AutoTokenizer 进行分词和编码）

from transformers import AutoTokenizer

# 指定模型名称
model_name = 'bert-base-uncased'

# 自动加载对应的标记器
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 输入文本
input_text = "Hello, how are you?"

# 分词和编码
encoded_input = tokenizer(input_text, return_tensors='pt')

print(encoded_input)
# 输出:
# {'input_ids': tensor([[  101,  7592,  1010,  2129,  2024,  2017,  1029,  102]]),
#  'token_type_ids': tensor([[0, 0, 0, 0, 0, 0, 0, 0]]),
#  'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1]])}

示例二（使用BERT 模型的BertTokenizer将输入文本处理成模型可以接受的格式）

from transformers import BertModel, BertTokenizer

model_name = 'bert-base-uncased'
model = BertModel.from_pretrained(model_name)
tokenizer = BertTokenizer.from_pretrained(model_name)

input_text = "Hello, how are you?"
inputs = tokenizer(input_text, return_tensors="pt")

print(inputs)
# 输出:
# {'input_ids': tensor([[  101,  7592,  1010,  2129,  2024,  2017,  1029,  102]]),
#  'token_type_ids': tensor([[0, 0, 0, 0, 0, 0, 0, 0]]),
#  'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1]])}

outputs = model(**inputs)
print(outputs)

BertTokenizer和AutoTokenizer区别

  BertTokenizer 是专门为 BERT（Bidirectional Encoder Representations from Transformers）模型设计的标记器。

      AutoTokenizer 是一个通用的标记器加载器，能够根据模型名称自动选择合适的标记器。

示例(pipeline传入自定义预处理对象、模型对象)

from modelscope.pipelines import pipeline
from modelscope.models import Model
from modelscope.preprocessors import Preprocessor

# 定义自定义预处理对象
class CustomPreprocessor(Preprocessor):
    def __init__(self):
        super().__init__()
    
    def __call__(self, text):
        # 简单的预处理逻辑：转小写并去除标点符号
        import re
        text = text.lower()
        text = re.sub(r'[^\w\s]', '', text)
        return {'text': text}

# 加载预训练模型
model = Model.from_pretrained('damo/nlp_structbert_sentiment-classification_chinese-base')

# 创建自定义预处理对象实例
custom_preprocessor = CustomPreprocessor()

# 创建 pipeline，传入自定义预处理对象和模型对象
text_classification_pipeline = pipeline(
    task='text-classification',
    model=model,
    preprocessor=custom_preprocessor
)

# 输入文本
input_text = "今天的天气真好！"

# 进行预测
result = text_classification_pipeline(input_text)
print(result)

分析：

• 自定义预处理对象：

  • 我们定义了一个 CustomPreprocessor 类，继承自 Preprocessor。
  • 在 __call__ 方法中，实现了简单的文本预处理逻辑：将文本转换为小写并去除标点符号。

• 加载预训练模型：

  • 使用 Model.from_pretrained 方法加载 ModelScope 提供的预训练模型 damo/nlp_structbert_sentiment-classification_chinese-base。

• 创建 pipeline 并传入自定义组件：

  • 使用 pipeline 函数创建一个文本分类的 pipeline。
  • 将自定义的预处理对象 custom_preprocessor 和预训练模型对象 model 作为参数传入 pipeline。

• 进行预测：

  • 输入文本 input_text 通过 text_classification_pipeline 进行处理和预测，得到结果。

Preprocessor.from_pretrained方法

        用来加载与模型相关的预处理对象。

from modelscope.models import Model
from modelscope.pipelines import pipeline
from modelscope.preprocessors import Preprocessor, TokenClassificationTransformersPreprocessor

# 加载预训练模型
model = Model.from_pretrained('damo/nlp_structbert_word-segmentation_chinese-base')

# 从模型目录中加载预处理器
tokenizer = Preprocessor.from_pretrained(model.model_dir)
# 或者直接调用构造函数创建预处理器对象
# tokenizer = TokenClassificationTransformersPreprocessor(model.model_dir)

# 创建 pipeline，并传入模型和预处理器
word_segmentation = pipeline('word-segmentation', model=model, preprocessor=tokenizer)

# 输入文本
input = '今天天气不错，适合出去游玩'

# 进行分词处理
print(word_segmentation(input))
# 输出：{'output': ['今天', '天气', '不错', '，', '适合', '出去', '游玩']}

方法的作用

用于从指定的目录加载预处理器配置和相关资源。这个方法通常会：

1. 读取配置文件：在模型目录中，通常有一个或多个配置文件（例如 config.json），其中包含了预处理器的配置参数。
2. 加载必要的资源：预处理器可能需要一些词汇表、词典、模型权重等文件，这些文件通常也存储在模型目录中。
3. 初始化预处理器：根据读取的配置和加载的资源，初始化预处理器对象，使其可以执行预处理任务。

典型模型目录结构

根据以上，我们大致能推测出，模型目录中的文件结构应该会有一定标准，典型的结构如下。

model_directory/
│
├── config.json
├── preprocessor_config.json         #预处理器配置文件(modelscope)，包含预处理器的配置信息和参数设置。用于初始化预处理器对象。
├── vocab.txt         #词汇表文件，包含模型使用的词汇列表。每行一个词汇，通常由预训练过程中使用的词汇表生成。
├── tokenizer_config.json         #标记器配置文件，包含标记器的配置信息和参数设置。用于初始化标记器对象。
├── pytorch_model.bin
├── special_tokens_map.json         #特殊标记映射文件，定义了特殊标记（如 [CLS], [SEP], [PAD]）的映射关系。
├── added_tokens.json        #新增标记文件，包含训练过程中添加的额外标记及其映射关系。此文件并非所有模型目录中都存在，只有在训练过程中有新增标记时才会出现。
├── model_card.json        #模型卡片文件(modelscope)，包含模型的描述、用途、性能、训练数据等信息。用于提供模型的元数据和使用说明。
└── README.md

下面对主要文件进行说明：

config.json

        模型配置文件，包含模型的架构信息和超参数设置。通常由模型的创建者生成，并包含模型的详细配置。

示例：

{
  "hidden_size": 768,
  "num_attention_heads": 12,
  "num_hidden_layers": 12,
  "vocab_size": 30522
}

pytorch_model.bin

       文件是模型的权重文件，是模型文件结构中最重要的部分之一。它包含了模型在训练过程中学习到的所有参数（如权重和偏差），这些参数决定了模型的行为和性能。这个文件通常比较大。