彻底放弃huggingface，改用modelscope

bert_train.py

@@ -1,8 +1,7 @@
 import pandas as pd
 from sklearn.model_selection import train_test_split
+from modelscope import AutoTokenizer, AutoModelForSequenceClassification
 from transformers import (
-    BertTokenizer,
-    BertForSequenceClassification,
     Trainer,
     TrainingArguments,
     EarlyStoppingCallback
@@ -15,10 +14,9 @@ import re  # 用于正则表达式清洗
 from sklearn.preprocessing import LabelEncoder
 import joblib
 
-# 1. 参数配置（集中管理）
+# 1. 参数配置
 class Config:
     MODEL_NAME = "bert-base-chinese"
-    Train_CSV = "order_address.csv"
     MAX_LENGTH = 64
     BATCH_SIZE = 32
     NUM_EPOCHS = 5
@@ -32,7 +30,7 @@ class Config:
     DEVICE = "cuda" if FP16 else "cpu"
 
 
-# 2. 数据加载与预处理（添加异常处理和日志）
+# 2. 数据加载与预处理
 def load_data(file_path):
     try:
         df = pd.read_csv(file_path)
@@ -47,17 +45,15 @@ def load_data(file_path):
 # 新增：数据清洗函数 - 只保留中文字符
 def clean_chinese_text(text):
     """
-    清洗文本，只保留中文字符
+    清洗文本，保留中文字符、英文字母和数字，去除空格和特殊符号
     """
     if not isinstance(text, str):
         return ""
-    # 使用正则表达式匹配所有中文字符（包括中文标点符号）[^\u4e00-\u9fa5\u3000-\u303f\uff00-\uffef]
+    # 保留中文（\u4e00-\u9fa5）、英文（a-zA-Z）和数字（0-9），去除其他所有字符（包括空格、标点等）
-    # 如果需要更严格的只保留汉字，可以使用：[\u4e00-\u9fa5]
+    cleaned_text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', text)
-    cleaned_text = re.sub(r'[^\u4e00-\u9fa5]', '', text)
     return cleaned_text.strip()
 
-
+# 3. Dataset
-# 3. 优化Dataset（添加内存缓存和批处理支持）
 class TextDataset(Dataset):
     def __init__(self, dataframe, tokenizer, text_col="sentence", label_col="label"):
         self.data = dataframe
@@ -86,24 +82,20 @@ class TextDataset(Dataset):
         }
 
 
-# 4. 模型初始化（添加设备移动）
+# 4. 模型初始化
 def init_model(num_labels):
-    tokenizer = BertTokenizer.from_pretrained(Config.MODEL_NAME)
+    tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-chinese")
-    model = BertForSequenceClassification.from_pretrained(
+    model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-chinese",num_labels=num_labels)
-        Config.MODEL_NAME,
-        num_labels=num_labels,
-        ignore_mismatched_sizes=True  # 可选
-    ).to(Config.DEVICE)
     return tokenizer, model
 
 
-# 5. 训练配置（添加早停和梯度累积）
+# 5. 训练配置
 def get_training_args():
     return TrainingArguments(
-        output_dir=Config.OUTPUT_DIR,
+        output_dir=Config.OUTPUT_DIR, #输出目录
-        num_train_epochs=Config.NUM_EPOCHS,
+        num_train_epochs=Config.NUM_EPOCHS,  #训练轮数，适度训练会增加精度，训练过多可能会因为训练数据中的噪声（错误数据）导致精度下降，解决方案：正则，早停，数据增强；梯度爆炸
-        per_device_train_batch_size=Config.BATCH_SIZE,
+        per_device_train_batch_size=Config.BATCH_SIZE, #前向传播（forward pass）处理的样本数，比如：若 per_device_train_batch_size=32，且使用 2 块 GPU，则每块 GPU 会独立处理 32 个样本。总批量大小（total_batch_size）由以下公式决定：total_batch_size=per_device_train_batch_size×GPU 数量×gradient_accumulation_steps
-        per_device_eval_batch_size=Config.BATCH_SIZE * 2,  # 评估时可用更大batch
+        per_device_eval_batch_size=Config.BATCH_SIZE * 2,
         learning_rate=Config.LEARNING_RATE,
         warmup_steps=Config.WARMUP_STEPS,
         weight_decay=Config.WEIGHT_DECAY,
@@ -117,13 +109,13 @@ def get_training_args():
         metric_for_best_model="eval_loss",
         greater_is_better=False,
         fp16=Config.FP16,
-        gradient_accumulation_steps=2,  # 模拟更大batch
+        gradient_accumulation_steps=2,
         report_to="none",  # 禁用wandb等报告
         seed=42
     )
 
 
-# 6. 优化推理函数（添加批处理支持）
+# 6.推理完测试函数
 @torch.no_grad()
 def batch_predict(texts, model, tokenizer, label_map, top_k=1, batch_size=16):
     model.eval()
@@ -158,7 +150,7 @@ def batch_predict(texts, model, tokenizer, label_map, top_k=1, batch_size=16):
 # 主流程
 if __name__ == "__main__":
     # 1. 加载数据
-    df = load_data(Config.Train_CSV)
+    df = load_data("order_address.csv")
 
     # 2. 数据清洗 - 只保留中文
     print("🧼 开始清洗文本数据...")
@@ -174,26 +166,26 @@ if __name__ == "__main__":
     print(f"标签映射示例: {label_map}")
 
     # 保存标签映射器（供推理时使用）
-    joblib.dump(label_encoder, "cate/label_encoder.pkl")
+    joblib.dump(label_encoder, "label_encoder.pkl")
     print(f"✅ 标签映射完成 | 类别数: {len(label_map)}")
 
-    # 4. 划分数据集（使用 label_id 列）
+    # 4. 划分数据集
     train_df, test_df = train_test_split(
-        df, test_size=0.2, random_state=42, stratify=df["label_id"]  # 注意这里用 label_id
+        df, test_size=0.2, random_state=42, stratify=df["label_id"]
     )
 
-    # 5. 初始化模型（使用数值标签的数量）
+    # 5. 初始化模型
     num_labels = len(label_map)
     tokenizer, model = init_model(num_labels)
 
     # 6. 准备数据集（使用 label_id 列）
-    train_dataset = TextDataset(train_df, tokenizer, label_col="label_id")  # 指定 label_col
+    train_dataset = TextDataset(train_df, tokenizer, label_col="label_id")
     test_dataset = TextDataset(test_df, tokenizer, label_col="label_id")
 
-    # 7. 训练配置（保持不变）
+    # 7. 训练配置
     training_args = get_training_args()
 
-    # 8. 训练器（保持不变）
+    # 8. 训练器
     trainer = Trainer(
         model=model,
         args=training_args,
@@ -202,12 +194,12 @@ if __name__ == "__main__":
         callbacks=[EarlyStoppingCallback(early_stopping_patience=3)]
     )
 
-    # 9. 训练和保存（保持不变）
+    # 9. 训练和保存
     trainer.train()
     model.save_pretrained(Config.SAVE_DIR)
     tokenizer.save_pretrained(Config.SAVE_DIR)
     # 12. 测试推理
-    test_samples = ["不二家棒棒糖", "iPhone 15", "无线鼠标"]
+    test_samples = ["山东省济南市莱芜区碧桂园天樾422502", "广东省广州市花都区狮岭镇山前旅游大道18号机车检修段", "江苏省苏州市吴中区吴中区木渎镇枫瑞路85号诺德·长枫雅苑北区10栋-303"]
     # 先清洗测试样本
     cleaned_samples = [clean_chinese_text(s) for s in test_samples]
     predictions = batch_predict(cleaned_samples, model, tokenizer, label_map)