訓練既有的 NER 模型

一個 spaCy 模型在特定資料上可能表現不佳。解法之一是用我們的資料來訓練模型。在這個練習中，你會實作訓練一個 NER 模型，以提升它的預測表現。

已提供可作為 nlp 使用的 spaCy en_core_web_sm 模型，但它無法在 test 字串中正確預測 house 為實體。

給定 training_data，請撰寫步驟，在遍歷資料兩次的過程中更新這個模型。其他管線已停用，optimizer 也可直接使用。epoch 數已設定為 2。

本練習屬於課程

使用 spaCy 的自然語言處理

檢視課程

練習說明

使用 optimizer 物件，並在每個 epoch 中，透過 random 套件隨機洗牌資料集，然後建立 Example 物件。
使用 .update 屬性更新 nlp 模型，並將 sgd 參數設定為使用該 optimizer。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

nlp = spacy.load("en_core_web_sm")
print("Before training: ", [(ent.text, ent.label_) for ent in nlp(test).ents])
other_pipes = [pipe for pipe in nlp.pipe_names if pipe != 'ner']
nlp.disable_pipes(*other_pipes)
optimizer = nlp.create_optimizer()

# Shuffle training data and the dataset using random package per epoch
for i in range(epochs):
  random.____(training_data)
  for text, ____ in training_data:
    doc = nlp.____(____)
    # Update nlp model after setting sgd argument to optimizer
    example = Example.____(____, ____)
    nlp.____([____], sgd = ____)
print("After training: ", [(ent.text, ent.label_) for ent in nlp(test).ents])

編輯並執行程式碼