Entrenar modelo de clasificación de texto (GeoAI)—ArcGIS Pro

Resumen

Entrena un modelo de clasificación de texto de una o varias etiquetas para asignar una categoría o etiqueta predefinida al texto no estructurado.

Más información sobre cómo funciona Clasificación de texto

Uso

Esta herramienta requiere la instalación de marcos de aprendizaje profundo. Para configurar su equipo para usar marcos de aprendizaje profundo en ArcGIS Pro, consulte Instalar marcos de aprendizaje profundo para ArcGIS.
Esta herramienta también se puede utilizar para ajustar un modelo entrenado existente.
Para ejecutar esta herramienta con la GPU, configure el entorno Tipo de procesador en GPU. Si tiene más de una GPU, especifique el entorno de Id. de GPU en su lugar.
La entrada puede ser una tabla o clase de entidad que contiene datos de entrenamiento con un campo de texto que contiene el texto de entrada y un campo de etiqueta que contiene las etiquetas de clase objetivo.
Esta herramienta utiliza bases basadas en transformadores para entrenar modelos de clasificación de texto y también es compatible con el aprendizaje en contexto con indicaciones mediante el LLM Mistral. Para instalar la base Mistral, consulte base Mistral de ArcGIS.
Para obtener información sobre los requisitos para ejecutar esta herramienta y los problemas que pueden presentarse, consulte Preguntas frecuentes sobre el aprendizaje profundo.

Parámetros

Etiqueta	Explicación	Tipo de datos
Tabla de entrada	Una tabla o clase de entidad que contiene un campo de texto con el texto de entrada para el modelo y un campo de etiqueta que contiene las etiquetas de clase objetivo.	Feature Layer; Table View
Campo de texto	Un campo de texto de la tabla o clase de entidad de entrada que contiene el texto que el modelo clasificará.	Field
Campo de etiqueta	Un campo de texto de la tabla o clase de entidad de entrada que contiene las etiquetas de clase objetivo para entrenar el modelo. Especifique más de un campo de texto para clasificar texto multietiqueta.	Field
Modelo de salida	La ubicación de la carpeta de salida donde se almacenará el modelo entrenado.	Folder
Archivo de modelo preentrenado (Opcional)	Modelo previamente entrenado que se utilizará para ajustar con precisión el nuevo modelo. La entrada puede ser un archivo de definición de modelo de Esri (.emd) o un archivo de paquete de aprendizaje profundo (.dlpk). Se puede ajustar un modelo previamente entrenado con clases similares para que se adecue al nuevo modelo. El modelo previamente entrenado se debe haber entrenado con el mismo tipo de modelo y el mismo modelo de base que se utilizará para entrenar el nuevo modelo.	File
Máximo de épocas (Opcional)	Número máximo de épocas para las que se entrenará el modelo. Un valor máximo de época de 1 significa que el dataset se enviará una vez por la red neuronal. El valor predeterminado es 5.	Long
Base del modelo (Opcional)	Especifica la red neuronal preconfigurada que actuará como codificador del modelo y extraerá representaciones de entidades del texto de entrada en forma de vectores de longitud fija. Estos vectores se transmitirán después como entrada a la cabeza de clasificación del modelo. bert-base-cased—El modelo se entrenará con la red neuronal BERT. BERT está preentrenado con el objetivo de modelado del lenguaje enmascarado y la siguiente predicción de frase. roberta-base—El modelo se entrenará con la red neuronal RoBERTa. RoBERTa modifica los hiperparámetros clave de BERT, eliminando el objetivo de preentrenamiento y la formación de la siguiente frase con pequeños lotes y tasas de aprendizaje más altas. albert-base-v1—El modelo se entrenará con la red neuronal ALBERT. ALBERT utiliza una pérdida autosupervisada que se centra en modelar coherencia entre frases, lo que resulta en una mejor escalabilidad que BERT. xlnet-base-cased—El modelo se entrenará con la red neuronal XLNet. XLNet es un método de preentrenamiento autorregresivo generalizado. Permite aprender contextos bidireccionales maximizando la probabilidad esperada en todas las permutaciones del orden de factorización, que superan las desventajas de BERT. xlm-roberta-base—El modelo se entrenará con la red neuronal XLM-RoBERTa. XLM-RoBERTa es un modelo multilingüe entrenado en 100 lenguajes diferentes. A diferencia de algunos modelos multilingües de XLM, no requiere que los tensores de lenguaje comprendan el lenguaje que se utiliza e identifica el lenguaje correcto de los Id. de entrada. distilroberta-base—El modelo se entrenará con la red neuronal DistilRoBERTa. DistilRoBERTa es un modelo de idioma inglés preentrenado con la supervisión de la red neural base de RoBERTa basado únicamente en OpenWebTextCorpus, una reproducción del dataset WebText de OpenAI. distilbert-base-cased—El modelo se entrenará con la red neuronal DistilBERT. DistilBERT es un modelo de representación de lenguaje de propósito general más pequeño. mistral—El modelo se creará utilizando el modelo de gran lenguaje (LLM) Mistral. Mistral es un transformador exclusivamente descodificador que utiliza atención de ventana deslizante, atención de consulta agrupada y divisor en tokens BPE de reserva de bytes. Para instalar la base Mistral, consulte base Mistral de ArcGIS.	String
Tamaño de lote (Opcional)	El número de muestras de entrenamiento que se procesarán a la vez. El valor predeterminado es 2. Aumentar el tamaño de lote puede mejorar el rendimiento de la herramienta; sin embargo, a medida que aumenta el tamaño del lote, se utiliza más memoria. Si se produce un error de memoria insuficiente, utilice un tamaño de lote más pequeño.	Double
Argumentos de modelo (Opcional)	Argumentos adicionales que se utilizarán para inicializar el modelo. El argumento de modelo admitido es sequence_length, que se utiliza para fijar la longitud máxima de secuencia de los datos de entrenamiento que se tendrán en cuenta para entrenar el modelo.	Value Table
Tasa de aprendizaje (Opcional)	El tamaño del paso que indica cuánto se ajustarán las ponderaciones del modelo durante el proceso de entrenamiento. Si no se especifica ningún valor, se aplicará automáticamente una tasa de aprendizaje óptima.	Double
Porcentaje de validación (Opcional)	Porcentaje de muestras de entrenamiento que se utilizarán para validar el modelo. El valor predeterminado es 10 para las bases del modelo basadas en transformadores y 50 para la base Mistral.	Double
Detener cuando el modelo deja de mejorar (Opcional)	Especifica si el entrenamiento del modelo se detendrá cuando el modelo deje de mejorar o continuará hasta alcanzar el valor del parámetro Máximo de épocas. Activado: el entrenamiento del modelo se detendrá cuando el modelo deje de mejorar, independientemente del valor del parámetro Máximo de épocas. Esta es la opción predeterminada. Desactivado: el entrenamiento del modelo continuará hasta alcanzar el valor del parámetro Máximo de épocas.	Boolean
Hacer que la base del modelo se pueda entrenar (Opcional)	Especifica si las capas de base del modelo previamente entrenado se inmovilizarán, de modo que los pesos y sesgos permanezcan tal como se diseñaron originalmente. Activado: las capas de base no se inmovilizarán y los pesos y sesgos del valor del parámetro Base del modelo se pueden modificar para adaptarse a las muestras de entrenamiento. Esto tarda más tiempo en procesarse, pero generalmente produce mejores resultados. Esta es la opción predeterminada. Desactivado: las capas de base se inmovilizarán y los pesos y sesgos predefinidos del valor del parámetro Base del modelo no se modificarán durante el entrenamiento.	Boolean
Eliminar etiquetas HTML (Opcional)	Especifica si las etiquetas HTML se eliminarán del texto de entrada. Activado: se eliminarán las etiquetas HTML del texto de entrada. Esta es la opción predeterminada. Desactivado: no se eliminarán las etiquetas HTML del texto de entrada.	Boolean
Eliminar direcciones URL (Opcional)	Especifica si las URL se eliminarán del texto de entrada. Activado: se eliminarán las URL del texto de entrada. Esta es la opción predeterminada. Desactivado: no se eliminarán las URL del texto de entrada.	Boolean
Solicitar (Opcional)	Entrada o instrucción específica dada a un modelo de gran lenguaje (LLM) para generar la salida esperada. El valor predeterminado es Categorizar el texto proporcionado en las clases especificadas. No cree nuevas etiquetas para la clasificación.	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})

Nombre	Explicación	Tipo de datos
in_table	Una tabla o clase de entidad que contiene un campo de texto con el texto de entrada para el modelo y un campo de etiqueta que contiene las etiquetas de clase objetivo.	Feature Layer; Table View
text_field	Un campo de texto de la tabla o clase de entidad de entrada que contiene el texto que el modelo clasificará.	Field
label_field [label_field,...]	Un campo de texto de la tabla o clase de entidad de entrada que contiene las etiquetas de clase objetivo para entrenar el modelo. Especifique más de un campo de texto para clasificar texto multietiqueta.	Field
out_model	La ubicación de la carpeta de salida donde se almacenará el modelo entrenado.	Folder
pretrained_model_file (Opcional)	Modelo previamente entrenado que se utilizará para ajustar con precisión el nuevo modelo. La entrada puede ser un archivo de definición de modelo de Esri (.emd) o un archivo de paquete de aprendizaje profundo (.dlpk). Se puede ajustar un modelo previamente entrenado con clases similares para que se adecue al nuevo modelo. El modelo previamente entrenado se debe haber entrenado con el mismo tipo de modelo y el mismo modelo de base que se utilizará para entrenar el nuevo modelo.	File
max_epochs (Opcional)	Número máximo de épocas para las que se entrenará el modelo. Un valor máximo de época de 1 significa que el dataset se enviará una vez por la red neuronal. El valor predeterminado es 5.	Long
model_backbone (Opcional)	Especifica la red neuronal preconfigurada que actuará como codificador del modelo y extraerá representaciones de entidades del texto de entrada en forma de vectores de longitud fija. Estos vectores se transmitirán después como entrada a la cabeza de clasificación del modelo. bert-base-cased—El modelo se entrenará con la red neuronal BERT. BERT está preentrenado con el objetivo de modelado del lenguaje enmascarado y la siguiente predicción de frase. roberta-base—El modelo se entrenará con la red neuronal RoBERTa. RoBERTa modifica los hiperparámetros clave de BERT, eliminando el objetivo de preentrenamiento y la formación de la siguiente frase con pequeños lotes y tasas de aprendizaje más altas. albert-base-v1—El modelo se entrenará con la red neuronal ALBERT. ALBERT utiliza una pérdida autosupervisada que se centra en modelar coherencia entre frases, lo que resulta en una mejor escalabilidad que BERT. xlnet-base-cased—El modelo se entrenará con la red neuronal XLNet. XLNet es un método de preentrenamiento autorregresivo generalizado. Permite aprender contextos bidireccionales maximizando la probabilidad esperada en todas las permutaciones del orden de factorización, que superan las desventajas de BERT. xlm-roberta-base—El modelo se entrenará con la red neuronal XLM-RoBERTa. XLM-RoBERTa es un modelo multilingüe entrenado en 100 lenguajes diferentes. A diferencia de algunos modelos multilingües de XLM, no requiere que los tensores de lenguaje comprendan el lenguaje que se utiliza e identifica el lenguaje correcto de los Id. de entrada. distilroberta-base—El modelo se entrenará con la red neuronal DistilRoBERTa. DistilRoBERTa es un modelo de idioma inglés preentrenado con la supervisión de la red neural base de RoBERTa basado únicamente en OpenWebTextCorpus, una reproducción del dataset WebText de OpenAI. distilbert-base-cased—El modelo se entrenará con la red neuronal DistilBERT. DistilBERT es un modelo de representación de lenguaje de propósito general más pequeño. mistral—El modelo se creará utilizando el modelo de gran lenguaje (LLM) Mistral. Mistral es un transformador exclusivamente descodificador que utiliza atención de ventana deslizante, atención de consulta agrupada y divisor en tokens BPE de reserva de bytes. Para instalar la base Mistral, consulte base Mistral de ArcGIS.	String
batch_size (Opcional)	El número de muestras de entrenamiento que se procesarán a la vez. El valor predeterminado es 2. Aumentar el tamaño de lote puede mejorar el rendimiento de la herramienta; sin embargo, a medida que aumenta el tamaño del lote, se utiliza más memoria. Si se produce un error de memoria insuficiente, utilice un tamaño de lote más pequeño.	Double
model_arguments [model_arguments,...] (Opcional)	Argumentos adicionales que se utilizarán para inicializar el modelo. El argumento de modelo admitido es sequence_length, que se utiliza para fijar la longitud máxima de secuencia de los datos de entrenamiento que se tendrán en cuenta para entrenar el modelo.	Value Table
learning_rate (Opcional)	El tamaño del paso que indica cuánto se ajustarán las ponderaciones del modelo durante el proceso de entrenamiento. Si no se especifica ningún valor, se aplicará automáticamente una tasa de aprendizaje óptima.	Double
validation_percentage (Opcional)	Porcentaje de muestras de entrenamiento que se utilizarán para validar el modelo. El valor predeterminado es 10 para las bases del modelo basadas en transformadores y 50 para la base Mistral.	Double
stop_training (Opcional)	Especifica si el entrenamiento del modelo se detendrá cuando el modelo deje de mejorar o continuará hasta alcanzar el valor del parámetro max_epochs. STOP_TRAINING—El entrenamiento del modelo se detendrá cuando el modelo deje de mejorar, independientemente del valor del parámetro max_epochs. Esta es la opción predeterminada. CONTINUE_TRAINING—El entrenamiento del modelo continuará hasta alcanzar el valor del parámetro max_epochs.	Boolean
make_trainable (Opcional)	Especifica si las capas de base del modelo previamente entrenado se inmovilizarán, de modo que los pesos y sesgos permanezcan tal como se diseñaron originalmente. TRAIN_MODEL_BACKBONE—Las capas de base no se inmovilizarán y los pesos y sesgos del valor del parámetro model_backbone se pueden modificar para adaptarse a las muestras de entrenamiento. Esto tarda más tiempo en procesarse, pero generalmente produce mejores resultados. Esta es la opción predeterminada. FREEZE_MODEL_BACKBONE—Las capas de base se inmovilizarán y los pesos y sesgos predefinidos del valor del parámetro model_backbone no se modificarán durante el entrenamiento.	Boolean
remove_html_tags (Opcional)	Especifica si las etiquetas HTML se eliminarán del texto de entrada. REMOVE_HTML_TAGS—Se eliminarán las etiquetas HTML del texto de entrada. Esta es la opción predeterminada. DO_NOT_REMOVE_HTML_TAGS—No se eliminarán las etiquetas HTML del texto de entrada.	Boolean
remove_urls (Opcional)	Especifica si las URL se eliminarán del texto de entrada. REMOVE_URLS—Se eliminarán las URL del texto de entrada. Esta es la opción predeterminada. DO_NOT_REMOVE_URLS—No se eliminarán las URL del texto de entrada.	Boolean
prompt (Opcional)	Entrada o instrucción específica dada a un modelo de gran lenguaje (LLM) para generar la salida esperada. El valor predeterminado es Categorizar el texto proporcionado en las clases especificadas. No cree nuevas etiquetas para la clasificación.	String

Muestra de código

Entrenar modelo de clasificación de textos (secuencia de comandos independiente)

El siguiente ejemplo muestra cómo utilizar la función 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)

Entornos

Tipo de procesador, Id. de GPU

Información de licenciamiento

Basic: No
Standard: No
Advanced: Sí

Temas relacionados

¿Algún comentario sobre este tema?