Advertisement

CHINESE_NER_PYTORCH: PyTorch版NER工具，含LSTM（随机初始化嵌入）+ CRF或BERT...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
CHINESE_NER_PYTORCH是一个基于PyTorch开发的中文命名实体识别(NER)工具包，采用LSTM加CRF模型或预训练的BERT模型，实现高效的文本实体抽取。 CHINESE_NER_PYTORCH 是一个用于命名实体识别（NER）的Pytorch版本库，其中包括LSTM（随机初始化嵌入）+ CRF或BERT嵌入+ CRF两种模型结构。为了使用这个项目，请编辑您自己的数据集类（继承自`torch.utils.data.Dataset`）。关于如何操作的具体细节可以在项目的dataset.py文件中找到指导信息。 运行该项目时可以执行以下命令： ``` python run_lstmcrf.py python run_bertcrf.py ```

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • CHINESE_NER_PYTORCH: PyTorch版NER工具，含LSTM（随机初始化嵌入）+ CRF或BERT...
    优质
    CHINESE_NER_PYTORCH是一个基于PyTorch开发的中文命名实体识别(NER)工具包，采用LSTM加CRF模型或预训练的BERT模型，实现高效的文本实体抽取。 CHINESE_NER_PYTORCH 是一个用于命名实体识别（NER）的Pytorch版本库，其中包括LSTM（随机初始化嵌入）+ CRF或BERT嵌入+ CRF两种模型结构。为了使用这个项目，请编辑您自己的数据集类（继承自`torch.utils.data.Dataset`）。关于如何操作的具体细节可以在项目的dataset.py文件中找到指导信息。 运行该项目时可以执行以下命令： ``` python run_lstmcrf.py python run_bertcrf.py ```
     
  • BERT-NER-Pytorch：基于BERT的中文NER（Softmax, CRF, Span方法）
    优质
    BERT-NER-Pytorch是一款利用Pytorch框架实现的基于BERT模型的中文命名实体识别工具，采用Softmax、CRF及Span三种方法进行实体抽取。 使用BERT的中文命名实体识别（NER）模型。数据集包括cner。 可用模型列表： - BERT + Softmax - BERT + CRF 需求版本：1.1.0，PyTorch < 1.5.0, cuda = 9.0, python3.6 输入格式采用BIOS标记方案，每个字符的标签为一行。句子用空行分隔。 例如： 美 B-LOC 国 I-LOC 的 O 华 B-PER 莱 I-PER 士 I-PER 运行代码在run_ner_xxx.py或run_ner_xxx.sh中修改配置信息。 模型文件结构如下： ``` ├── prev_trained_model | └── bert_base | | ├── pytorch_model.bin | | ├── config.json | | ├── vocab.txt | | └── ... ``` CLUENER结果：BERT在dev上的整体性能： - 准确性（实体） - 召回率
     
  • BERT-BiLSTM-CRF-NER代码包.zip
    优质
    本代码包提供了一个基于BERT-BiLSTM-CRF架构的命名实体识别模型。包含预训练模型和源码，适用于中文NER任务。 BERT是一个预训练的语言模型，在多个任务上都取得了优异的成绩。本次实验的任务是序列标注问题，即基于BERT预训练模型在中文命名实体识别（NER）任务中进行微调。微调指的是在迁移学习过程中，利用预先训练好的特征抽取网络，并将其应用于下游任务。具体来说，固定其特征抽取层的参数，在原有的网络上增加少量神经元以完成最后的分类任务，并且只更新这些新增加的分类参数。
     
  • 基于BERT+BiLSTM+CRF的NER实战详解
    优质
    本文详细解析了如何运用BERT、BiLSTM和CRF模型进行命名实体识别(NER)的技术实践，适合自然语言处理技术爱好者学习参考。 BERT+BiLSTM+CRF在命名实体识别（NER）中的简单实战演示。
     
  • LSTM+CRF、BiLSTM+CRF和LSTM CRF PyTorch命名实体识别代码
    优质
    本项目提供基于LSTM-CRF、BiLSTM-CRF模型的命名实体识别（NER）PyTorch实现，适合自然语言处理任务中的实体抽取。 需要提供可以直接运行的使用pytorch实现的LSTM+CRF、BiLSTM+CRF以及LSTM CRF进行命名实体识别的代码和数据。
     
  • Bi-LSTM-CRF: PyTorch中的BI-LSTM-CRF模型实现
    优质
    简介：本文介绍了使用PyTorch框架实现的Bi-LSTM-CRF模型，该模型结合了双向长短期记忆网络与条件随机场，在序列标注任务中表现出色。 BI-LSTM-CRF模型的PyTorch实现具有以下改进：全面支持小批量计算，并完全矢量化；删除了“得分句”算法中的所有循环以提高训练效率；兼容CUDA，提供一个简洁的API，在CRF中自动添加START/STOP标签；包含内部线性层用于从特征空间转换为标签空间。该模型专门针对NLP序列标记任务设计，使用户能够轻松地使用自己的数据集进行模型训练。 安装依赖关系时，请确保使用Python 3环境执行以下命令： ``` pip install bi-lstm-crf ``` 要准备语料库并开始训练过程，可以参考如下步骤： - 准备好您的训练语料库。 - 使用指定的命令行参数启动训练过程。例如，如果您想要将模型保存到目录“model_xxx”中，则执行： ``` python -m bi_lstm_crf corpus_dir --model_dir model_xxx ``` 在进行模型评估或可视化时，您可以使用如pandas和matplotlib.pyplot等库来处理数据及绘制训练曲线。
     
  • 基于BERT-BiLSTM-CRF的NER任务TensorFlow实现及优化方案
    优质
    本文介绍了在TensorFlow框架下，针对命名实体识别（NER）任务采用BERT-BiLSTM-CRF模型的实现方法及其性能优化策略。 BERT-BiLSTM-CRF-NER 使用谷歌的BERT模型在BiLSTM-CRF模型上进行微调以完成中文命名实体识别任务的Tensorflow代码。 欢迎给此仓库点个star！ 训练数据来自： CoNLL-2003 数据集。 评估代码参考了相关资源。 尝试基于Google BERT实现NER工作。
     
  • LSTM-CRF-PyTorch：在PyTorch中的应用
    优质
    LSTM-CRF-PyTorch项目展示了如何使用PyTorch框架实现LSTM与CRF模型结合的应用，特别适用于序列标注任务。 PyTorch中的LSTM-CRF用于序列标记的双向LSTM-CRF的最小PyTorch（1.7.1）实现。 支持的功能： - CUDA的小批量训练 - 嵌入层中查找、CNN、RNN或自我关注的支持 - 分层递归编码（HRE） - 条件随机场（CRF）的PyTorch实现 - CRF损失的矢量化计算 - 矢量化的维特比解码 使用方法： 培训数据格式如下所示： ``` tokentag tokentag tokentag ... tokentag tokentag tokentag ... ... ``` 准备数据： ```shell python3 prepare.py training_data ``` 训练模型： ```shell python3 train.py model char_to_idx word_to_idx tag_to_idx training_data.csv ```
     
  • 初始化工具.py
    优质
    初始化工具.py 是一个Python脚本，旨在简化开发环境设置和项目启动过程，自动配置必要的库和参数。 Coursera上吴恩达的课程编程练习所需的包和数据可以帮助学员在本地方便地进行实践操作。
     
  • NER序列标注-TextCNN-BiLSTM-CRF-PyTorch: PyTorch中使用TextCNN...
    优质
    本项目采用PyTorch框架，结合TextCNN、BiLSTM和CRF模型进行命名实体识别（NER）任务。通过预训练词向量与深度学习技术提升序列标注精度，适用于多种自然语言处理场景。 使用TextCNN-BiLSTM-CRF模型进行命名实体识别的项目包含以下文件： - 数据预处理：`data_preprocess.py` - 模型与训练过程：在同一个文件 `cnn-bilstm-crf.py` 中实现。 - 预测：预测代码位于 `predict.py` 文件中。 - 数据存储位置：数据存放在名为 `data` 的文件夹内。