当前位置： 首页 > news >正文

spaCy 3与Transformer：快速构建高精度命名实体识别模型

news 2026/5/31 4:49:08

1. 项目概述：用spaCy 3快速构建命名实体识别模型

如果你正在处理文本数据，并且需要从中自动提取人名、地名、组织名这类关键信息，那你一定听说过命名实体识别。传统的做法往往意味着要投入大量时间学习复杂的机器学习框架，处理繁琐的数据预处理和模型训练流程。但现在，情况完全不同了。借助spaCy 3和Transformer架构，我们完全可以在一个下午，甚至一杯咖啡的时间里，就训练出一个性能相当不错的NER模型，而代码量可能比你想象的要少得多。

这个项目的核心，就是利用spaCy 3这个工业级自然语言处理库的最新版本，结合像BERT、RoBERTa这样的预训练Transformer模型，来实现“小代码量，大产出”的NER模型训练。spaCy 3对训练流程进行了革命性的简化，它通过一个统一的配置文件来管理整个项目——从数据格式、模型架构、训练参数到最终的流水线部署。你不再需要写一大堆胶水代码来连接数据加载、模型定义和训练循环。对于NER任务，你只需要准备好标注数据，写几行命令来生成和调整配置文件，再运行一条训练命令，剩下的工作spaCy都会帮你处理好。

这背后的价值在于，它极大地降低了高级NLP技术（特别是基于Transformer的模型）的应用门槛。无论是数据分析师希望从报告中自动提取客户和产品信息，还是开发者想为某个垂直领域（如医疗、法律）定制实体识别器，都可以快速上手，将精力集中在解决业务问题和优化数据质量上，而不是陷在技术实现的泥潭里。接下来，我们就一起拆解这个过程，看看如何用极简的代码，撬动Transformer模型的强大能力。

2. 核心思路与工具选型解析

2.1 为什么选择spaCy 3 + Transformer？

在开始动手之前，理解我们为什么选择这个技术栈至关重要。这决定了整个项目的效率和最终模型的天花板。

首先看spaCy 3。与之前的版本相比，spaCy 3最大的变化是引入了基于配置文件的训练系统。在v2时代，训练一个模型通常需要在Python脚本中显式地定义语言模型、流水线组件、训练循环和评估逻辑。虽然灵活，但代码冗长且不易复现。spaCy 3将这一切抽象进了config.cfg文件。这个文件采用ini格式，清晰定义了从[nlp]、[components]到[training]的所有设置。这意味着你的整个项目——包括数据路径、模型架构、优化器超参数——都是可版本化、可一键复现的。对于NER任务，你只需在配置中指定使用ner组件，并选择transformer作为编码器，spaCy就会自动搭建好训练骨架。

其次，选择Transformer模型作为编码器，是获得高精度的关键。传统的NER模型可能使用LSTM或CNN来编码词序列，但它们对上下文的理解是有限的。Transformer模型（如BERT）通过自注意力机制，能够同时考虑句子中所有词之间的关系，生成深度的上下文相关词向量。这对于NER任务尤其有利，因为实体的识别高度依赖上下文。例如，“苹果”在“我吃了一个苹果”中是水果，在“苹果公司发布了新产品”中是组织名。Transformer模型能更好地捕捉这种细微差别。spaCy 3通过spacy-transformers库无缝集成了Hugging Facetransformers库中的模型，让我们能直接使用bert-base-cased、roberta-large等预训练模型，站在巨人的肩膀上。

注意：虽然代码行数少，但并不意味着计算资源需求低。Transformer模型参数量大，训练（尤其是微调）需要GPU支持以获得可接受的速度。如果没有GPU，在CPU上训练可能会非常缓慢。不过，spaCy也支持使用“Transformer蒸馏”后的较小模型，在精度和速度间取得平衡。

2.2 项目准备工作与环境搭建

“几行代码”的前提是环境已经就绪。我们需要搭建一个包含所有必要依赖的Python环境。这里我强烈建议使用虚拟环境（如venv或conda）来管理依赖，避免与系统或其他项目的包发生冲突。

以下是具体的步骤和每个包的作用解析：

  1. 创建并激活虚拟环境（以venv为例）：

    python -m venv .spacy3-ner-env # Linux/macOS source .spacy3-ner-env/bin/activate # Windows .spacy3-ner-env\Scripts\activate

  2. 安装核心库： 我们将使用pip进行安装。核心是spacy本体以及适配Transformer的库。

    pip install spacy

    安装spaCy后，还需要安装对应语言的模型包。由于我们要使用Transformer，这里安装的是空的小模型，主要用于提供分词等基础功能。

    python -m spacy download en_core_web_sm

    接下来是关键，安装spacy-transformers库，它是连接spaCy和Hugging Face Transformers的桥梁。

    pip install spacy-transformers

  3. 验证安装： 可以打开Python解释器，尝试导入库并查看版本，确保一切正常。

    import spacy import spacy_transformers print(spacy.__version__) # 应显示3.x.x

实操心得：在安装spacy-transformers时，可能会遇到与PyTorch或TensorFlow的版本兼容性问题。spacy-transformers底层依赖于transformers和torch等库。一个稳妥的做法是先安装PyTorch（根据你的CUDA版本从官网获取安装命令），然后再安装spacy-transformers。例如：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118。

环境搭建好后，我们还需要准备两样东西：标注好的训练数据和项目配置文件。数据是燃料，配置文件是蓝图。接下来我们就深入看看如何准备它们。

3. 训练数据准备与spaCy格式转换

3.1 理解spaCy的训练数据格式

模型训练的效果，七八成取决于数据质量。spaCy 3训练NER模型需要特定格式的数据。它期望的数据是一个Python列表，列表中的每个元素对应一个训练样本（通常是一个句子或一个文档），每个样本是一个字典。

这个字典的结构如下：

{ "text": "The company Apple is headquartered in Cupertino.", # 原始文本 "entities": [(19, 24, "ORG"), (44, 53, "GPE")] # 实体标注列表 }

entities是一个列表，其中每个元组代表一个实体，包含三个部分：

  1. 起始字符索引：实体在文本中开始的字符位置（从0开始）。
  2. 结束字符索引：实体结束的字符位置（注意：是独占的，即结束索引指向实体后的第一个字符）。例如，“Apple”位于索引19到24，但24是‘e’之后的位置。
  3. 实体标签：字符串，表示实体类型，如”PERSON”、”ORG”、”GPE”（地理政治实体）。

字符索引必须精确，任何偏移错误都会导致训练失败或模型性能下降。这是新手最常见的坑之一。

3.2 从常见格式转换到spaCy格式

你的原始标注数据可能来自各种工具，如Label Studio、Prodigy、BRAT，或者是简单的JSON、CSV文件。你需要编写一个转换脚本，将其转换为上述格式。

假设我们有一个从CSV导出的简单标注，每行是文本和以“起始|结束|标签”格式存储的实体，多个实体用分号隔开：

text, entities "Microsoft was founded by Bill Gates.", "28|38|PERSON;0|9|ORG"

转换脚本可能如下所示：

import csv import json def convert_csv_to_spacy(csv_file_path, output_jsonl_path): """ 将特定格式的CSV转换为spaCy可用的JSONL格式。 """ training_data = [] with open(csv_file_path, 'r', encoding='utf-8') as f: reader = csv.DictReader(f) for row in reader: text = row['text'] entities = [] if row['entities']: # 解析"28|38|PERSON;0|9|ORG"这样的字符串 for ent_str in row['entities'].split(';'): start_str, end_str, label = ent_str.split('|') start, end = int(start_str), int(end_str) # 确保索引在文本范围内，并且起始<结束 if 0 <= start < end <= len(text): entities.append((start, end, label)) else: print(f"警告：跳过无效实体范围 '{text[start:end]}' 在文本 '{text}'") training_data.append({"text": text, "entities": entities}) # 保存为JSONL格式（每行一个JSON对象） with open(output_jsonl_path, 'w', encoding='utf-8') as f: for item in training_data: f.write(json.dumps(item) + '\n') print(f"转换完成，共{len(training_data)}条数据已保存至 {output_jsonl_path}") # 使用函数 convert_csv_to_spacy('raw_annotations.csv', 'train_data.spacy.jsonl')

注意事项：在转换过程中，务必进行数据清洗和验证。检查是否有重叠的实体、超出文本边界的实体、或者标签不一致的情况（例如，“London”有时标为GPE，有时标为LOC）。不一致的标签会严重混淆模型。建议在转换后，随机抽样检查一些样本，确保转换正确。

3.3 使用spaCy CLI划分数据集并转换为二进制格式

得到JSONL格式的数据后，我们通常需要将其划分为训练集和开发集（用于评估）。同时，spaCy训练时最终需要的是其高效的二进制.spacy格式。这可以通过spaCy的命令行工具轻松完成。

首先，手动或按比例分割你的train_data.spacy.jsonl，得到train.jsonl和dev.jsonl。

然后，使用spacy convert命令进行转换：

# 将训练集JSONL转换为.spacy格式 python -m spacy convert train.jsonl ./ -t spacy # 将开发集JSONL转换为.spacy格式 python -m spacy convert dev.jsonl ./ -t spacy

运行后，你会得到train.spacy和dev.spacy文件。这个二进制格式加载速度更快，是spaCy训练的标准输入。

至此，燃料已经备好。接下来，我们需要绘制蓝图——创建配置文件。

4. 配置文件生成与核心参数解读

4.1 快速生成基础配置文件

spaCy 3的init config命令是快速启动的关键。它能根据你的需求，生成一个功能完整的配置文件模板。对于我们的“Transformer NER”任务，命令如下：

python -m spacy init config config.cfg --lang en --pipeline ner --optimize efficiency --gpu

让我们拆解这个命令：

  • init config: 初始化配置。
  • config.cfg: 生成的配置文件名。
  • --lang en: 指定语言为英语。这会设置基础分词器等语言相关组件。
  • --pipeline ner: 指定流水线中需要ner组件。
  • --optimize efficiency: 优化目标为“效率”，会生成一个相对轻量的模型配置。如果你想追求最高精度，可以改用--optimize accuracy。
  • --gpu: 表明使用GPU进行训练，配置中会启用GPU相关的设置。

运行后，当前目录下就会生成一个config.cfg文件。但默认生成的配置可能不使用Transformer。我们需要手动调整它，或者使用更针对性的命令。

4.2 手动调整配置以启用Transformer

打开生成的config.cfg文件，我们需要关注几个关键部分：

  1. [nlp]节：确保lang = "en"，pipeline = ["transformer","ner"]。注意顺序：transformer必须在ner之前，因为NER组件需要Transformer提供的词向量。
  2. [components]节：这里定义了每个组件的详细设置。
    • 找到[components.transformer]节。其factory应为"transformer"。最关键的是model参数，它定义了使用的Transformer模型。例如：
      [components.transformer] factory = "transformer" model = {"@architectures":"spacy-transformers.TransformerModel.v3","name":"roberta-base","tokenizer_config":{"use_fast":true}}
      这里我们使用了roberta-base模型。你可以将其替换为任何Hugging Face模型名，如bert-base-cased、distilbert-base-uncased等。
    • 找到[components.ner]节。其factory应为"ner"。model部分通常指向一个内置的架构，如{"@architectures":"spacy.TransitionBasedParser.v2"...}，这个架构已经设计好如何利用上游特征（来自Transformer）进行实体识别，通常无需修改。
  3. [training]节：这里包含了训练循环、优化器、批处理等所有超参数。
    • dev_corpus和train_corpus：需要指向我们转换好的二进制数据文件，例如"corpora.dev.path = "dev.spacy"。
    • batcher.size：批处理大小。Transformer模型对显存要求高，如果GPU显存小（如8GB），可能需要将此值从默认的128或256调小到32甚至16。
    • optimizer.learn_rate：学习率。对于Transformer微调，通常使用较小的学习率（如5e-5, 3e-5, 2e-5）。配置文件里可能有一个学习率调度器，例如从0.001线性衰减，对于微调预训练模型，这个初始值可能偏大，可以尝试调整为5e-5。
    • training.max_epochs：最大训练轮数。根据数据量，通常10-30轮足够。可以设置early_stopping来防止过拟合。

实操心得：直接修改config.cfg文件可能有些复杂。一个更简单的方法是使用init fill-config命令。首先，生成一个基础配置（可以不指定--gpu），然后使用以下命令，用预设的最佳实践值来填充缺失配置：

python -m spacy init fill-config base_config.cfg config.cfg

但针对Transformer，最推荐的方式是直接从spaCy训练项目模板开始。spaCy在GitHub上提供了针对不同任务的模板配置文件。你可以找到针对ner_transformer的模板，以此为基础进行修改，这是最可靠的方法。

4.3 关键参数调优指南

配置文件中有几个参数对训练结果影响巨大，需要根据实际情况调整：

  • [components.transformer].model.name：这是模型的天花板。roberta-large比roberta-base能力强，但更慢、显存占用更大。对于垂直领域，有时使用在该领域预训练过的模型（如bert-base-uncased在医学文献上进一步预训练的模型）效果更好。
  • [training].optimizer.learn_rate：Transformer微调的“生命线”。太大会导致训练不稳定（损失值NaN），太小则收敛缓慢。5e-5是一个广泛使用的安全起点。你可以尝试将其设置为3e-5或2e-5。
  • [training].batch_size：受限于GPU显存。你可以通过batcher.size设置。如果训练时出现“CUDA out of memory”错误，首先尝试减小这个值。也可以启用梯度累积（training.accumulate_gradient），例如accumulate_gradient = 4，配合batch_size = 8，其效果相当于batch_size = 32，但显存占用仅为8。
  • [training].max_epochs与[training].patience：patience用于早停。例如，设置patience = 3，表示如果开发集上的评估指标连续3轮没有提升，就停止训练。这能有效防止过拟合。max_epochs是硬性上限。

配置文件准备好后，我们就可以进入最激动人心的环节——运行训练命令。

5. 模型训练、评估与保存

5.1 一行命令启动训练

当数据（train.spacy,dev.spacy）和配置（config.cfg）都准备就绪后，训练模型只需要一行命令：

python -m spacy train config.cfg --output ./output --paths.train ./train.spacy --paths.dev ./dev.spacy --gpu-id 0

再次拆解：

  • train config.cfg：告诉spaCy根据此配置文件进行训练。
  • --output ./output：指定模型和日志的输出目录。
  • --paths.train ./train.spacy：覆盖配置文件中训练集的路径。
  • --paths.dev ./dev.spacy：覆盖配置文件中开发集的路径。
  • --gpu-id 0：指定使用第一块GPU。如果使用CPU，则移除此参数。

运行这行命令后，spaCy会开始执行以下工作：

  1. 加载配置文件，构建完整的训练流水线（包含Transformer和NER组件）。
  2. 从train.spacy加载训练数据，从dev.spacy加载评估数据。
  3. 开始迭代训练。在每一轮结束时，会在开发集上评估模型性能，并打印出详细的指标。

5.2 解读训练输出与关键指标

训练开始后，你会在控制台看到类似下面的输出：

ℹ Saving to output directory: output ℹ Using GPU: 0 ... E # LOSS TRANSFORMER LOSS NER ENTS_F ENTS_P ENTS_R SCORE --- ------ ---------------- -------- ------ ------ ------ ------ 0 0 2.51 6.12 0.00 0.00 0.00 0.00 0 200 1.89 4.56 78.32 80.11 76.60 0.78 1 400 1.23 2.34 85.67 86.45 84.90 0.86 ...
  • E: 当前训练轮次（Epoch）。
  • #: 当前训练步数（Step）。
  • LOSS TRANSFORMER和LOSS NER: 分别是Transformer部分和NER部分的损失值。我们希望看到它们随着训练稳步下降。
  • ENTS_F、ENTS_P、ENTS_R、SCORE: 这是在开发集上评估的关键指标。
    • ENTS_P: 精确率（Precision），即模型预测出的实体中，有多少是正确的。高精确率意味着模型“宁缺毋滥”。
    • ENTS_R: 召回率（Recall），即所有真实的实体中，有多少被模型找出来了。高召回率意味着模型“宁可错杀，不可放过”。
    • ENTS_F: F1分数，是精确率和召回率的调和平均数，是衡量模型整体性能的核心指标（通常看这个）。
    • SCORE: 通常是F1分数，与ENTS_F相同。

你的核心目标是观察开发集上的ENTS_F（或SCORE）是否在持续上升，并在若干轮后趋于稳定或开始下降（过拟合）。训练应持续到开发集分数不再显著提升为止。

5.3 模型保存与应用

训练完成后，在--output指定的目录（如./output）下，你会找到最终模型。spaCy会保存两个关键模型：

  • model-best: 在开发集上表现最好的那个轮次的模型。
  • model-last: 最后一轮训练得到的模型。

通常我们使用model-best。你可以像加载任何spaCy模型一样加载并使用它进行预测：

import spacy # 加载训练好的模型 nlp = spacy.load("./output/model-best") # 对新文本进行预测 text = "Elon Musk founded SpaceX and Tesla is headquartered in Austin, Texas." doc = nlp(text) # 提取并打印实体 for ent in doc.ents: print(ent.text, ent.label_) # 预期输出类似：Elon Musk PERSON, SpaceX ORG, Tesla ORG, Austin GPE, Texas GPE

至此，你已经完成了一个完整的、基于Transformer的NER模型训练流程。代码量确实主要集中在数据准备和配置调整上，核心训练命令只有一行。

6. 常见问题排查与性能优化技巧

即使流程看起来简单，在实际操作中仍会遇到各种问题。下面是我在多次实践中总结的一些常见坑点和优化技巧。

6.1 训练过程中的典型错误与解决

  1. CUDA Out of Memory (OOM) 错误

    • 现象：训练开始不久后报错，提示GPU显存不足。
    • 原因：Transformer模型和批处理数据占用了过多显存。
    • 解决方案：
      • 减小batch_size：在配置文件的[training]部分，找到batcher.size，将其值减半（如从128降到64，再到32）。
      • 启用梯度累积：在[training]部分添加accumulate_gradient = 4。这会将4个小批次的梯度累积后再更新权重，模拟大批次的效果，但显存占用仅为一个小批次。
      • 使用更小的Transformer模型：将roberta-base换成distilbert-base-uncased或albert-base-v2等更轻量的模型。
      • 缩短文本长度：在配置文件的[components.transformer]部分，可以设置max_length（如256），丢弃过长的句子。也可以在数据预处理阶段将长文档切分成句子。

  2. 损失值为NaN或训练不稳定

    • 现象：LOSS TRANSFORMER或LOSS NER突然变成nan，或剧烈震荡。
    • 原因：学习率过高是首要嫌疑。对于微调预训练模型，学习率需要设置得非常小。
    • 解决方案：
      • 大幅降低学习率：将[training].optimizer.learn_rate从0.001降至5e-5或3e-5。
      • 使用学习率预热：确保配置中包含了学习率预热（training.warmup）。预热让学习率从0逐渐增加到设定值，有助于训练初期稳定。典型的配置是warmup = {"@schedules":"warmup_linear", "initial_rate":5e-5, "warmup_steps":500, "total_steps":20000}。

  3. 实体识别结果为空或完全错误

    • 现象：训练后模型在开发集或新文本上预测不出任何实体，或标签完全混乱。
    • 原因：
      • 数据标注格式错误：字符索引偏移错误是最常见原因。务必仔细检查转换脚本，确保(start, end)是字符索引且end是独占的。
      • 标签不一致：训练数据中同一类实体使用了不同的标签名（如ORG和ORGANIZATION）。必须统一。
      • 训练轮数不足或过多：轮数太少模型没学到东西，轮数太多导致过拟合（在训练集上表现好，开发集上差）。
    • 解决方案：
      • 数据检查：编写脚本统计所有实体标签，检查唯一性。随机打印一些样本，人工核对文本和实体范围。
      • 监控训练曲线：观察训练集和开发集的损失和F1分数。理想情况是训练损失下降，开发集F1先升后降（过拟合）。在开发集F1达到峰值时停止训练（利用早停）。

6.2 提升模型性能的进阶策略

当你的模型能够运行起来，但F1分数还不够理想时，可以尝试以下策略：

  1. 数据质量与数量是根本：

    • 数据增强：对现有训练文本进行简单的同义词替换、随机插入、删除或交换词语，可以低成本地增加数据多样性。spaCy本身不直接提供此功能，但可以使用nlpaug等库在数据预处理阶段完成。
    • 领域适配：如果你的文本来自特定领域（如医疗、金融），使用在该领域语料上继续预训练过的Transformer模型（如BioBERT、FinBERT）会带来显著提升。
    • 标注质量复查：往往比增加数据量更有效。重点检查边界模糊的实体和容易混淆的类别。

  2. 模型与配置调优：

    • 尝试不同的Transformer模型：roberta-base通常是一个强大的基线。也可以尝试deberta-v3-base、electra-base等。可以在Hugging Face模型库根据任务排名选择。
    • 调整学习率与调度：除了降低学习率，可以尝试不同的学习率调度器，如余弦退火。
    • 冻结Transformer底层参数：对于小数据集，微调所有Transformer参数容易过拟合。可以尝试冻结（不更新）Transformer模型的前几层，只训练顶层和NER头。这需要在配置文件中更精细地定义components.transformer的grad_factor参数，或使用spacy-transformers提供的冻结功能。

  3. 后处理与集成：

    • 规则后处理：对于一些模型容易出错的固定模式（如特定产品编号、日期格式），可以编写简单的规则进行修正。spaCy的EntityRuler组件可以很方便地添加到流水线中，在模型预测后运行。
    • 集成多个模型：训练多个不同初始化或不同数据子集的模型，对它们的预测结果进行投票，通常能获得更稳定、更好的性能。

通过上述流程和技巧，你不仅能用“几行代码”启动训练，更能深入理解每个环节，并具备排查问题和优化模型的能力。这套方法的核心在于，spaCy 3将复杂的工程细节封装了起来，让我们能专注于数据和模型本身，这才是高效解决实际问题的正确姿势。

http://www.gsyq.cn/news/1431948.html

相关文章：

  • 别再只用video_player了！用Flutter VLC插件打造一个支持RTSP/RTMP的万能播放器（含后台播放与生命周期管理）
  • 高效跨平台ADB调试工具：专业安卓开发者的完整解决方案
  • AI时代职场变革：从任务执行者到人机协作架构师
  • 我总结出的LangGraph与AutoGen的状态管理选型指南
  • AI招聘系统核心技术解析：从NLP语义匹配到多模态面试评估
  • ChatGPT如何重塑教育科技：从个性化辅导到自适应学习的AI落地实践
  • 柔性电子边缘智能SVM加速器设计与优化
  • 从三调到日常：一个ArcGIS Pro面积平差工具包的迭代与封装思路
  • 3步快速找回压缩包密码：ArchivePasswordTestTool完整指南
  • 大语言模型工具调用实战：从Function Calling到智能体构建
  • 深入瑞芯微RK3568 BSP：从Android.bp到U-Boot，带你读懂原厂SDK的目录玄机
  • 不只是驱动移植：手把手教你为RK3566安卓设备调试RTL8211F千兆网卡性能与LED状态
  • Neoverse N1 CPU性能分析与PMU调优实践
  • 手把手教你用TensorFlow Lite在IMX6ULL上部署AI模型（附STM32MP157传感器数据采集源码）
  • 别再死记硬背了！用Python搞定贪心算法，从找零钱到压缩文件一次讲透
  • 【工具调用评估】Function Calling（函数调用）准确率测试：参数提取漏填、错填怎么防？
  • MySQL报错注入实战：当updatexml/extractvalue遇上right()截断，如何完整获取长flag？
  • 别再只用JSON了！手把手教你用Protocol Buffers（protobuf）提升Java微服务性能
  • Vue项目实战：Element UI的el-select回显数字而非文字？一个数据类型引发的‘血案’
  • 嘉立创EDA标准版画PCB，从原理图到Gerber文件的保姆级避坑指南
  • 给自动驾驶新手的激光雷达参数扫盲：从905nm和1550nm波长到点频线数，一次讲清楚
  • Flutter UI2CODE：从Figma设计稿到可运行代码的自动化实践
  • 告别传统求解器：傅立叶神经算子（FNO）如何将PDE计算速度提升1000倍？
  • 保姆级教程：在Win10专业版上从零安装dSPACE 2017A，关联MATLAB 2016b一步到位
  • 竞争分析实战指南：从市场洞察到AI赋能，构建差异化增长策略
  • K8s网络管理利器：手把手教你安装配置calicoctl客户端（v3.21.4版）
  • 别再手动写Tooltip了！ElementUI表单label提示的3种高效封装方案（附代码）
  • Flutter VLC播放RTSP流媒体，从卡顿到流畅：一份保姆级的低延迟配置清单（附完整代码）
  • 北斗SPP避坑指南：广播星历文件解析与伪距C6I提取的那些细节
  • PP-OCRv4识别模型微调避坑指南：如何用5000张图+合成数据提升生僻字准确率