Entraîner un modèle de classification de texte (Outils GeoAI)

Résumé

Entraîne un modèle de classification de texte à une ou plusieurs étiquettes pour attribuer une catégorie ou une étiquette prédéfinie à un texte non structuré.

En savoir plus sur le fonctionnement de la classification de texte

Utilisation

Cet outil requiert l’installation des structures de Deep Learning. Pour configurer votre machine afin d’utiliser des structures de Deep Learning dans ArcGIS Pro, consultez la rubrique Installer les structures de Deep Learning pour ArcGIS.

Cet outil peut également être utilisé pour affiner un modèle entraîné existant.
Pour exécuter cet outil avec un GPU, définissez le paramètre d’environnement Type de processeur sur GPU. Si vous avez plusieurs GPU, spécifiez plutôt le paramètre d’environnement ID de GPU.
L’entrée peut être une table ou une classe d’entités contenant des données d’entraînement, avec un champ de texte contenant le texte en entrée et un champ d’étiquette contenant les étiquettes de classe cible.
Cet outil utilise des backbones basés sur des transformeurs pour entraîner des modèles de classification de texte et prend en charge l’apprentissage en contexte avec des invites à l’aide du grand modèle de langage (LLM) Mistral. Pour installer le backbone Mistral, consultez la page ArcGIS Mistral Backbone.
Pour obtenir des informations sur les exigences relatives à l’exécution de cet outil ainsi que sur les problèmes qui peuvent survenir, reportez-vous à la rubrique Forum aux questions sur le Deep Learning.

Etiqueter	Explication	Type de données
Input Table (Table en entrée)	Classe d’entités ou table contenant un champ de texte avec le texte en entrée du modèle et un champ d’étiquette contenant les étiquettes de la classe cible.	Feature Layer; Table View
Text Field (Champ de texte)	Champ de texte dans la classe d’entités en entrée ou table qui contient le texte qui sera classé par le modèle.	Field
Champ d’étiquette	Champ de texte dans la classe d’entités en entrée ou table qui contient les étiquettes de la classe cible pour l’entraînement du modèle. Dans le cas d’une classification de texte à plusieurs étiquettes, spécifiez plusieurs champs de texte.	Field
Modèle en sortie	Emplacement du dossier en sortie où sera stocké le modèle entraîné.	Folder
Pretrained Model File (Fichier de modèle pré-entraîné) (Facultatif)	Modèle pré-entraîné qui sera utilisé pour affiner le nouveau modèle. L’entrée peut être un fichier de définition de modèle Esri (`.emd`) ou un fichier de paquetage de Deep Learning (`.dlpk`). Un modèle pré-entraîné avec des classes similaires peut être affiné en vue de son adaptation au nouveau modèle. Le modèle pré-entraîné doit avoir été entraîné avec le même type de modèle et le même modèle d’architecture que ceux qui seront utilisés pour entraîner le nouveau modèle.	File
Max Epochs (Nombre maximal d’époques) (Facultatif)	Nombre maximal d’époques pour lequel le modèle sera entraîné. Si le nombre maximal d’époques est égal à 1, le jeu de données est transmis une fois à travers le réseau neuronal. La valeur par défaut est 5.	Long
Model Backbon (Modèle de backbone) (Facultatif)	Spécifie le réseau neuronal préconfiguré qui servira d’encodeur pour le modèle et extraira les représentations d’entité du texte en entrée sous la forme de vecteurs de longueur fixe. Ces vecteurs sont ensuite transmis en tant qu’entrée à la tête de classification du modèle. bert-base-cased—Le modèle sera entraîné avec le réseau neuronal BERT. BERT est pré-entraîné à l’aide de l’objectif de modélisation linguistique masqué et de la prédiction de phrase suivante. roberta-base—Le modèle sera entraîné avec le réseau neuronal RoBERTa. Dans RoBERTa, la modification des hyperparamètres principaux de BERT induit l’élimination de l’objectif de pré-entraînement et l’entraînement de la phrase suivante avec de petits lots et des taux d’apprentissage plus élevés. albert-base-v1—Le modèle sera entraîné avec le réseau neuronal ALBERT. ALBERT utilise une perte auto-supervisée axée sur la modélisation de la cohérence entre les phrases, ce qui rend ce réseau neuronal plus évolutif que BERT. xlnet-base-cased—Le modèle sera entraîné avec le réseau neuronal XLNet. XLNet est une méthode de pré-entraînement auto-régressive généralisée. Ce réseau neuronal permet d’apprendre des contextes bidirectionnels, en maximisant la probabilité attendue sur toutes les permutations de l’ordre de factorisation, ce qui remédie aux inconvénients de BERT. xlm-roberta-base—Le modèle sera entraîné avec le réseau neuronal XLM-RoBERTa. XLM-RoBERTa est un modèle multilingue entraîné sur 100 langues différentes. Contrairement à certains modèles multilingues XLM, il ne nécessite pas de tenseurs linguistiques pour savoir quelle est la langue utilisée et il identifie la langue correcte à partir des identifiants en entrée. distilroberta-base—Le modèle sera entraîné avec le réseau neuronal DistilRoBERTa. DistilRoBERTa est un modèle de langue anglaise pré-entraîné sous la supervision du réseau neuronal Roberta qui repose uniquement sur OpenWebTextCorpus, une reproduction du jeu de données WebText d’OpenAI. distilbert-base-cased—Le modèle sera entraîné avec le réseau neuronal DistilBERT. DistilBERT est un modèle de représentation linguistique plus petit à usage général. mistral—Le modèle sera créé avec le grand modèle de langage (LLM) Mistral. Mistral est un transformateur avec décodeur uniquement qui utilise la technique Sliding Window Attention (fenêtre d’attention glissante), Grouped Query Attention (attention de requête groupée) et le tokenizer BPE (Byte-Pair Encoding) Byte-fallback. Pour installer le backbone Mistral, consultez la page ArcGIS Mistral Backbone.	String
Batch Size (Taille de lot) (Facultatif)	Nombre d’échantillons d’entraînement qui seront traités en une fois La valeur par défaut est de 2. L’augmentation de la taille du lot peut améliorer les performances de l’outil. Cependant, plus la taille augmente, plus la mémoire utilisée est importante. Si une erreur se produit en raison d’une mémoire insuffisante, utillisez une taille de lot plus petite.	Double
Arguments du modèle (Facultatif)	Arguments supplémentaires utilisés pour initialiser le modèle. L’argument de modèle pris en charge est `Sequence Length`, qui permet de définir la longueur de séquence maximale des données d’entraînement à prendre en compte pour l’entraînement du modèle. Colonnes de la table de valeurs : Name—The name of the function argument. Value—The value of the function argument.	Value Table
Learning Rate (Vitesse d’apprentissage) (Facultatif)	Taille de l’intervalle indiquant dans quelle mesure les pondérations du modèle seront ajustées au cours du processus d’entraînement Si aucune valeur n’est spécifiée, une vitesse d’apprentissage optimale est appliquée automatiquement.	Double
Validation Percentage (Pourcentage de validation) (Facultatif)	Pourcentage d’échantillons d’entraînement qui sera utilisé pour valider le modèle. La valeur par défaut est 10 pour les modèles de backbone basés sur des transformeurs et 50 pour le backbone Mistral.	Double
Stop when model stops improving (Arrêter lorsque le modèle ne s’améliore plus) (Facultatif)	Indique si l’entraînement du modèle s’arrête lorsque ce dernier cesse de s’améliorer ou se poursuit jusqu’à ce que la valeur du paramètre Max Epochs (Nombre maximal d’époques) soit atteinte. Activé—L’entraînement du modèle s’arrête lorsque ce dernier cesse de s’améliorer, quelle que soit la valeur du paramètre Max Epochs (Nombre maximal d’époques). Il s’agit de l’option par défaut. Décoché—L’entraînement du modèle se poursuit jusqu’à ce que la valeur du paramètre Max Epochs (Nombre maximal d’époques) soit atteinte.	Boolean
Make model backbone trainable (Adapter le backbone du modèle pour l’entraînement) (Facultatif)	Indique si les couches de backbone dans le modèle pré-entraîné sont figées pour que la conception originale des pondérations et des biais soit conservée. Activé—Les couches de backbone ne sont pas figées, et les pondérations et les biais de la valeur du paramètre `model_backbone` peuvent être modifiés pour s’adapter aux échantillons d’entraînement. Le traitement est plus long, mais produit généralement de meilleurs résultats. Il s’agit de l’option par défaut. Décoché—Les couches de backbone sont figées, et les pondérations et les biais prédéfinis de la valeur du paramètre `model_backbone` restent inchangés pendant l’entraînement.	Boolean
Remove HTML Tags (Supprimer les balises HTML) (Facultatif)	Indique si les balises HTML sont supprimées ou non du texte en entrée Activé—Les balises HTML du texte en entrée seront supprimées Il s’agit de l’option par défaut. Décoché—Les balises HTML du texte en entrée ne seront pas supprimées	Boolean
Remove URLs (Supprimer les URL) (Facultatif)	Indique si les URL sont supprimées ou non du texte en entrée Activé—Les URL du texte en entrée seront supprimées. Il s’agit de l’option par défaut. Décoché—Les URL du texte en entrée ne seront pas supprimées.	Boolean
Prompt (Facultatif)	Entrée ou instruction spécifique donnée à un grand modèle de langage (LLM) pour générer une sortie attendue. La valeur par défaut est Classer le texte fourni dans les classes spécifiées. Ne pas créer de nouvelles étiquettes pour la classification.	String

arcpy.geoai.TrainTextClassificationModel(in_table, text_field, label_field, out_model, {pretrained_model_file}, {max_epochs}, {model_backbone}, {batch_size}, {model_arguments}, {learning_rate}, {validation_percentage}, {stop_training}, {make_trainable}, {remove_html_tags}, {remove_urls}, {prompt})

Nom	Explication	Type de données
in_table	Classe d’entités ou table contenant un champ de texte avec le texte en entrée du modèle et un champ d’étiquette contenant les étiquettes de la classe cible.	Feature Layer; Table View
text_field	Champ de texte dans la classe d’entités en entrée ou table qui contient le texte qui sera classé par le modèle.	Field
label_field [label_field,...]	Champ de texte dans la classe d’entités en entrée ou table qui contient les étiquettes de la classe cible pour l’entraînement du modèle. Dans le cas d’une classification de texte à plusieurs étiquettes, spécifiez plusieurs champs de texte.	Field
out_model	Emplacement du dossier en sortie où sera stocké le modèle entraîné.	Folder
pretrained_model_file (Facultatif)	Modèle pré-entraîné qui sera utilisé pour affiner le nouveau modèle. L’entrée peut être un fichier de définition de modèle Esri (`.emd`) ou un fichier de paquetage de Deep Learning (`.dlpk`). Un modèle pré-entraîné avec des classes similaires peut être affiné en vue de son adaptation au nouveau modèle. Le modèle pré-entraîné doit avoir été entraîné avec le même type de modèle et le même modèle d’architecture que ceux qui seront utilisés pour entraîner le nouveau modèle.	File
max_epochs (Facultatif)	Nombre maximal d’époques pour lequel le modèle sera entraîné. Si le nombre maximal d’époques est égal à 1, le jeu de données est transmis une fois à travers le réseau neuronal. La valeur par défaut est 5.	Long
model_backbone (Facultatif)	Spécifie le réseau neuronal préconfiguré qui servira d’encodeur pour le modèle et extraira les représentations d’entité du texte en entrée sous la forme de vecteurs de longueur fixe. Ces vecteurs sont ensuite transmis en tant qu’entrée à la tête de classification du modèle. `bert-base-cased`—Le modèle sera entraîné avec le réseau neuronal BERT. BERT est pré-entraîné à l’aide de l’objectif de modélisation linguistique masqué et de la prédiction de phrase suivante. `roberta-base`—Le modèle sera entraîné avec le réseau neuronal RoBERTa. Dans RoBERTa, la modification des hyperparamètres principaux de BERT induit l’élimination de l’objectif de pré-entraînement et l’entraînement de la phrase suivante avec de petits lots et des taux d’apprentissage plus élevés. `albert-base-v1`—Le modèle sera entraîné avec le réseau neuronal ALBERT. ALBERT utilise une perte auto-supervisée axée sur la modélisation de la cohérence entre les phrases, ce qui rend ce réseau neuronal plus évolutif que BERT. `xlnet-base-cased`—Le modèle sera entraîné avec le réseau neuronal XLNet. XLNet est une méthode de pré-entraînement auto-régressive généralisée. Ce réseau neuronal permet d’apprendre des contextes bidirectionnels, en maximisant la probabilité attendue sur toutes les permutations de l’ordre de factorisation, ce qui remédie aux inconvénients de BERT. `xlm-roberta-base`—Le modèle sera entraîné avec le réseau neuronal XLM-RoBERTa. XLM-RoBERTa est un modèle multilingue entraîné sur 100 langues différentes. Contrairement à certains modèles multilingues XLM, il ne nécessite pas de tenseurs linguistiques pour savoir quelle est la langue utilisée et il identifie la langue correcte à partir des identifiants en entrée. `distilroberta-base`—Le modèle sera entraîné avec le réseau neuronal DistilRoBERTa. DistilRoBERTa est un modèle de langue anglaise pré-entraîné sous la supervision du réseau neuronal Roberta qui repose uniquement sur OpenWebTextCorpus, une reproduction du jeu de données WebText d’OpenAI. `distilbert-base-cased`—Le modèle sera entraîné avec le réseau neuronal DistilBERT. DistilBERT est un modèle de représentation linguistique plus petit à usage général. `mistral`—Le modèle sera créé avec le grand modèle de langage (LLM) Mistral. Mistral est un transformateur avec décodeur uniquement qui utilise la technique Sliding Window Attention (fenêtre d’attention glissante), Grouped Query Attention (attention de requête groupée) et le tokenizer BPE (Byte-Pair Encoding) Byte-fallback. Pour installer le backbone Mistral, consultez la page ArcGIS Mistral Backbone.	String
batch_size (Facultatif)	Nombre d’échantillons d’entraînement qui seront traités en une fois La valeur par défaut est de 2. L’augmentation de la taille du lot peut améliorer les performances de l’outil. Cependant, plus la taille augmente, plus la mémoire utilisée est importante. Si une erreur se produit en raison d’une mémoire insuffisante, utillisez une taille de lot plus petite.	Double
model_arguments [model_arguments,...] (Facultatif)	Arguments supplémentaires utilisés pour initialiser le modèle. L’argument de modèle pris en charge est `Sequence Length`, qui permet de définir la longueur de séquence maximale des données d’entraînement à prendre en compte pour l’entraînement du modèle. Colonnes de la table de valeurs : `Name`—The name of the function argument. `Value`—The value of the function argument.	Value Table
learning_rate (Facultatif)	Taille de l’intervalle indiquant dans quelle mesure les pondérations du modèle seront ajustées au cours du processus d’entraînement Si aucune valeur n’est spécifiée, une vitesse d’apprentissage optimale est appliquée automatiquement.	Double
validation_percentage (Facultatif)	Pourcentage d’échantillons d’entraînement qui sera utilisé pour valider le modèle. La valeur par défaut est 10 pour les modèles de backbone basés sur des transformeurs et 50 pour le backbone Mistral.	Double
stop_training (Facultatif)	Indique si l’entraînement du modèle s’arrête lorsque ce dernier cesse de s’améliorer ou se poursuit jusqu’à ce que la valeur du paramètre `max_epochs` soit atteinte. `STOP_TRAINING`—L’entraînement du modèle s’arrête lorsque ce dernier cesse de s’améliorer, quelle que soit la valeur du paramètre `max_epochs`. Il s’agit de l’option par défaut. `CONTINUE_TRAINING`—L’entraînement du modèle se poursuit jusqu’à ce que la valeur du paramètre `max_epochs` soit atteinte.	Boolean
make_trainable (Facultatif)	Indique si les couches de backbone dans le modèle pré-entraîné sont figées pour que la conception originale des pondérations et des biais soit conservée. `TRAIN_MODEL_BACKBONE`—Les couches de backbone ne sont pas figées, et les pondérations et les biais de la valeur du paramètre `model_backbone` peuvent être modifiés pour s’adapter aux échantillons d’entraînement. Le traitement est plus long, mais produit généralement de meilleurs résultats. Il s’agit de l’option par défaut. `FREEZE_MODEL_BACKBONE`—Les couches de backbone sont figées, et les pondérations et les biais prédéfinis de la valeur du paramètre `model_backbone` restent inchangés pendant l’entraînement.	Boolean
remove_html_tags (Facultatif)	Indique si les balises HTML sont supprimées ou non du texte en entrée `REMOVE_HTML_TAGS`—Les balises HTML du texte en entrée seront supprimées Il s’agit de l’option par défaut. `DO_NOT_REMOVE_HTML_TAGS`—Les balises HTML du texte en entrée ne seront pas supprimées	Boolean
remove_urls (Facultatif)	Indique si les URL sont supprimées ou non du texte en entrée `REMOVE_URLS`—Les URL du texte en entrée seront supprimées. Il s’agit de l’option par défaut. `DO_NOT_REMOVE_URLS`—Les URL du texte en entrée ne seront pas supprimées.	Boolean
prompt (Facultatif)	Entrée ou instruction spécifique donnée à un grand modèle de langage (LLM) pour générer une sortie attendue. La valeur par défaut est Classer le texte fourni dans les classes spécifiées. Ne pas créer de nouvelles étiquettes pour la classification.	String

Exemple de code

Exemple d’utilisation de la fonction TrainTextClassificationModel (script autonome)

L’exemple ci-dessous illustre l’utilisation de la fonction TrainTextClassificationModel.

# Name: TrainTextClassification.py
# Description: Train a text classifier model to classify text in different
#              classes.
#
# Requirements: ArcGIS Pro Advanced license

# Import system modules
import arcpy

arcpy.env.workspace = "C:/textanalysisexamples/data"

# Set local variables
in_table = "training_data_textclassifier.csv"
out_folder = "c:\\textclassifier"

# Run Train Text Classification Model
arcpy.geoai.TrainTextClassificationModel(
    in_table, out_folder, max_epochs=2, text_field="Address",
    label_field="Country", batch_size=16)

Environnements

Type de processeur, ID GPU

Informations de licence