如何在spaCy v3中正确使用自定义NER的transformer模型？

Question

我正在尝试使用spaCy版本3为自定义标记训练命名实体识别（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，我无法添加自己的标记，因为最终的输出分数都是零。但是它对en_core_web_sm是正确的

但是，如果我尝试做一些临时的方法，创建一个英文的空白模型，然后从en_core_web_trf手动添加transformer模型，并从en_core_web_sm分别添加ner模型，那么它是有效的

我的问题是-除了这个临时方法之外，还有更好的方法来初始化我的模型和管道方法吗？我不关心像位置等预先训练过的实体。我只想根据我在数据集中定义的自定义实体训练我的模型（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：我使用的确切培训方法已在定义类NerModel的fit()函数中的thispython脚本中描述

脚本（第16行）中的load_spacy()使用了小模型，但我正在试验transformer模型，并使用了我在本问题开始时定义的load_spacy()的定义

PS：为了将GPU用于transformer，我一直在Google Colab（又名笔记本）上进行实验，但是源代码和方法几乎是一样的