MSRA-NER 数据集由微软亚研院发布，其目标是识别文本中具有特定意义的实体，主要包括人名、地名、机构名等。示例如下：
不\002久\002前\002，\002中\002国\002共\002产\002党\002召\002开\002了\002举\002世\002瞩\002目\002的\002第\002十\002五\002次\002全\002国\002代\002表\002大\002会\002。 O\002O\002O\002O\002B-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002O\002O\002O\002O\002O\002O\002O\002O\002B-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002I-ORG\002O
这\002次\002代\002表\002大\002会\002是\002在\002中\002国\002改\002革\002开\002放\002和\002社\002会\002主\002义\002现\002代\002化\002建\002设\002发\002展\002的\002关\002键\002时\002刻\002召\002开\002的\002历\002史\002性\002会\002议\002。 O\002O\002O\002O\002O\002O\002O\002O\002B-LOC\002I-LOC\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O\002O
PaddleNLP集成的数据集MSRA-NER数据集对文件格式做了调整：每一行文本、标签以特殊字符"\t"进行分隔，每个字之间以特殊字符"\002"分隔。
export CUDA_VISIBLE_DEVICES=0
python -u ./train.py \
--model_type bert \
--model_name_or_path bert-base-multilingual-uncased \
--dataset msra_ner \
--max_seq_length 128 \
--batch_size 32 \
--learning_rate 2e-5 \
--num_train_epochs 3 \
--logging_steps 1 \
--save_steps 500 \
--output_dir ./tmp/msra_ner/ \
--device gpu其中参数释义如下：
model_type: 指定模型的类型，可选的有 bert、ernie、ernie-ctm。model_name_or_path: 指示了某种特定配置的模型，对应有其预训练模型和预训练时使用的 tokenizer，支持PaddleNLP Transformer API中除ernie-gen以外的所有模型。若使用其他系列模型，需修改脚本导入相应的Task和Tokenizer。若模型相关内容保存在本地，这里也可以提供相应目录地址。dataset: 目前支持 msra_ner 和 peoples_daily_ner 数据集。max_seq_length: 表示最大句子长度，超过该长度将被截断。batch_size: 表示每次迭代每张卡上的样本数目。learning_rate: 表示基础学习率大小，将于learning rate scheduler产生的值相乘作为当前学习率。num_train_epochs: 表示训练轮数。logging_steps: 表示日志打印间隔。save_steps: 表示模型保存及评估间隔。output_dir: 表示模型保存路径。device: 训练使用的设备, 'gpu'表示使用GPU, 'xpu'表示使用百度昆仑卡, 'cpu'表示使用CPU。
python -m paddle.distributed.launch --gpus "0,1" ./train.py \
--model_type bert \
--model_name_or_path bert-base-multilingual-uncased \
--dataset msra_ner \
--max_seq_length 128 \
--batch_size 32 \
--learning_rate 2e-5 \
--num_train_epochs 3 \
--logging_steps 1 \
--save_steps 500 \
--output_dir ./tmp/msra_ner/ \
--device gpu训练过程将按照 logging_steps 和 save_steps 的设置打印如下日志：
global step 3996, epoch: 2, batch: 1184, loss: 0.008593, speed: 4.15 step/s
global step 3997, epoch: 2, batch: 1185, loss: 0.008453, speed: 4.17 step/s
global step 3998, epoch: 2, batch: 1186, loss: 0.002294, speed: 4.19 step/s
global step 3999, epoch: 2, batch: 1187, loss: 0.005351, speed: 4.16 step/s
global step 4000, epoch: 2, batch: 1188, loss: 0.004734, speed: 4.18 step/s
eval loss: 0.006829, precision: 0.908957, recall: 0.926683, f1: 0.917734
使用以上命令进行单卡 Fine-tuning ，在验证集上有如下结果：
| Metric | Result |
|---|---|
| Precision | 0.908957 |
| Recall | 0.926683 |
| F1 | 0.917734 |
目前支持bert类型模型，其他模型可修改为对应的Task和Tokenizer。支持msra_ner数据集。
export CUDA_VISIBLE_DEVICES=0
python -u ./eval.py \
--model_name_or_path bert-base-multilingual-uncased \
--max_seq_length 128 \
--batch_size 32 \
--device gpu \
--init_checkpoint_path tmp/msra_ner/model_500.pdparams其中参数释义如下：
model_name_or_path: 指示了某种特定配置的模型，对应有其预训练模型和预训练时使用的 tokenizer。若模型相关内容保存在本地，这里也可以提供相应目录地址。max_seq_length: 表示最大句子长度，超过该长度将被截断。batch_size: 表示每次迭代每张卡上的样本数目。use_gpu: 是否使用GPU。init_checkpoint_path: 模型加载路径。
目前支持bert类型模型，其他模型可修改为对应的Task和Tokenizer。支持msra_ner数据集。
export CUDA_VISIBLE_DEVICES=0
python -u ./predict.py \
--model_name_or_path bert-base-multilingual-uncased \
--max_seq_length 128 \
--batch_size 32 \
--device gpu \
--init_checkpoint_path tmp/msra_ner/model_500.pdparams请参考Transformer API文档了解更多PaddleNLP支持的预训练模型信息，并更换--model_name_or_path参数即可对比其他预训练模型的效果。