如何在 spaCy v3 中正确使用用于自定义 NER 的转换器模型？

如何解决如何在 spaCy v3 中正确使用用于自定义 NER 的转换器模型？

我正在尝试使用 spaCy 版本 3 为自定义标签训练命名实体识别 (NER) 模型。我浏览了他们网站上的所有文档，但我不明白创建管道模型的正确方法是什么。显然，如果我尝试使用 en_core_web_trf，我将无法添加自己的标签，因为最终的输出分数都是零。但它适用于 en_core_web_sm。

但是，如果我尝试通过创建一个空白的英语模型，然后手动添加来自 en_core_web_trf 的转换器模型和与 en_core_web_sm 分开的 ner 模型来做一些临时方法，它会起作用。

我的问题是 - 除了这种临时方法之外，是否有更好的方法来初始化我的模型和管道方法？我不关心 LOCATION 等预训练实体。我只想根据我在数据集中定义的自定义实体来训练我的模型（使用基于转换器的方法）。

def load_spacy():
    spacy.require_gpu()

    # 1) 'Makeshift' method
    source_nlp = spacy.load("en_core_web_sm")
    source_nlp_trf = spacy.load("en_core_web_trf")
    nlp = spacy.blank("en")
    nlp.add_pipe("transformer",source=source_nlp_trf)
    nlp.add_pipe("ner",source=source_nlp)
    
    # 2) trf only method
    nlp = spacy.load("en_core_web_trf")
    
    # Getting the pipeline component
    ner = nlp.get_pipe("ner")
    return ner,nlp

编辑：我使用的确切训练方法已在已定义类 fit() 的 NerModel 函数中的 this python 脚本中描述。

脚本（第 16 行）中的 load_spacy() 使用小模型，但我正在试验变压器模型并使用我在本问题开头定义的 load_spacy() 的定义.

PS：我一直在 Google Colab（又名笔记本）上进行实验，以便将 GPU 用于 Transformer，但源代码和方法几乎相同。