在 sklearn 管道中使用 spacy 作为分词器

Question

我正在尝试在更大的 scikit-learn 管道中使用 spacy 作为标记器，但一直遇到无法将任务发送给工作人员的问题。

小例子：

from sklearn.linear_model import SGDClassifier
from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import RandomizedSearchCV
from sklearn.datasets import fetch_20newsgroups
from functools import partial
import spacy


def spacy_tokenize(text, nlp):
    return [x.orth_ for x in nlp(text)]

nlp = spacy.load('en', disable=['ner', 'parser', 'tagger'])
tok = partial(spacy_tokenize, nlp=nlp)

pipeline = Pipeline([('vectorize', CountVectorizer(tokenizer=tok)),
                     ('clf', SGDClassifier())])

params = {'vectorize__ngram_range': [(1, 2), (1, 3)]}

CV = RandomizedSearchCV(pipeline,
                        param_distributions=params,
                        n_iter=2, cv=2, n_jobs=2,
                        scoring='accuracy')

categories = ['alt.atheism', 'comp.graphics']
news = fetch_20newsgroups(subset='train',
                          categories=categories,
                          shuffle=True,
                          random_state=42)

CV.fit(news.data, news.target)

运行这段代码我得到了错误：

PicklingError: Could not pickle the task to send it to the workers.

让我困惑的是：

import pickle
pickle.dump(tok, open('test.pkl', 'wb'))

工作没有问题。

有人知道是否可以将 spacy 与 sklearn 交叉验证一起使用？ 谢谢！

Answer 1

这不是解决方案，而是解决方法。看起来 spacy 和 joblib 之间存在一些问题：

• https://github.com/explosion/spaCy/issues/1669
• https://github.com/joblib/joblib/issues/767

如果您可以将标记器作为函数保存在目录中的单独文件中，然后将其导入当前文件，则可以避免此错误。比如：

• custom_file.py

  import spacy
  nlp = spacy.load('en', disable=['ner', 'parser', 'tagger'])
  
  def spacy_tokenizer(doc):
      return [x.orth_ for x in nlp(doc)]
  

• 主.py

  #Other code     
  ...
  ... 
  
  from custom_file import spacy_tokenizer
  
  pipeline = Pipeline([('vectorize', CountVectorizer(tokenizer=spacy_tokenizer)),
                       ('clf', SGDClassifier())])
  
  ...
  ...