tensorflow中 bilstm+crf实现代码总结

最新推荐文章于 2024-02-09 10:36:47 发布
最新推荐文章于 2024-02-09 10:36:47 发布
阅读量1.5w 收藏 30
点赞数 4
分类专栏： TensorFlow 文章标签： tensorflow crf
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/appleml/article/details/70945298
版权

正看这方面的资料，网上资源多多，而且质量很高，总结放在此处：

Implementing Bi-directional LSTM-CRF Network
http://stackoverflow.com/questions/33078423/implementing-bi-directional-lstm-crf-network
https://www.reddit.com/r/MachineLearning/comments/3oovqh/bidirectional_lstm_with_crf/

CRF和LSTM 模型在序列标注上的优劣？
https://www.zhihu.com/question/46688107?sort=created

TensorFlow中.crf_log_likelihood（）怎么用，越具体越好？
https://www.zhihu.com/question/57666556

TensorFlow (RNN)深度学习 双向LSTM(BiLSTM)+CRF 实现 sequence labeling 序列标注问题 源码下载
http://blog.csdn.net/scotfield_msn/article/details/60339415

小妖精Fsky
关注
  • 4
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Tensorflow1.x实现BiLstm+CRF
徐先森的博客
11-15 1420
基于Tensorflow1.x的Estimator高级api实现BiLstm+CRF的命名实体识别任务
用BiLSTM+CRF实现中文命名实体识别（TensorFlow入门）【代码】
11-29
国科大自然语言处理第三次作业
BERT-BiLSTM-CRF-NER:NER任务的Tensorflow解决方案将BiLSTM-CRF模型与Google BERT微调和私有服务器服务结合使用
05-09
BERT-BiLSTM-CRF-NER Tensorflow solution of NER task Using BiLSTM-CRF model with Google BERT Fine-tuning 使用谷歌的BERT模型在BLSTM-CRF模型上进行预训练用于中文命名实体识别的Tensorflow代码' 中文文档请查看 如果对您有帮助，麻烦点个star,谢谢~~ Welcome to star this repository! The Chinese training data($PATH/NERdata/) come from: The CoNLL-2003 data($PATH/NERdata/ori/) come from: The evaluation codes come from: Try to implement NER work based on google'
时间序列预测——BiLSTM模型
weixin_39753819的博客
02-09 2079
本文介绍了BiLSTM模型的理论原理、优缺点，与LSTM、GRU的区别，并用Python实现了BiLSTM的单步预测和多步预测的代码。
命名实体识别BiLSTM-CRF代码实现
weixin_52185313的博客
05-11 2561
命名实体识别BiLSTM-CRF代码实现 – 潘登同学的NLP笔记 文章目录命名实体识别BiLSTM-CRF代码实现 -- 潘登同学的NLP笔记条件随机场概述直观的例子CRF的特征函数们举些例子对比逻辑回归对比HMMBilstm-CRF命名实体识别代码实现数据预处理训练模型模型应用(维特比算法) 条件随机场概述 条件随机场（Conditional Random Fields），是在给定一组输入随机变量条件下另外一组输出随机变量的条件概率分布模型，它是一种判别式的概率无向图模型，既然是判别式，拿就是对条件概率
Python BiLSTM_CRF医学文本标注，医学命名实体识别，NER，双向长短记忆神经网络和条件随机场应用实例，BiLSTM_CRF实现代码
L_goodboy的博客
05-10 1250
Python BiLSTM_CRF医学文本标注，医学命名实体识别，NER，双向长短记忆神经网络和条件随机场应用实例，BiLSTM_CRF实现代码
BiLSTM官方示例（Tensorflow版）
酒酿小圆子呀～
04-13 1832
''' A Bidirectional Recurrent Neural Network (LSTM) implementation example using TensorFlow library. This example is using the MNIST database of handwritten digits (http://yann.lecun.com/exdb/mnist/) ...
BERT-BiLSTM-CRF模型代码
weixin_42576186的博客
02-13 386
很抱歉，作为一个语言模型，我并不能提供完整的代码，但是我可以为您提供一些指导。 BERT-BiLSTM-CRF模型是一种自然语言处理任务中使用的模型，它结合了BERT、双向LSTM和条件随机场(CRF)三种方法。您可以使用Python来实现这个模型。您可以使用TensorFlow或PyTorch作为深度学习框架。 如果您是新手，可以先参考一些入门教程和代码示例，并通过不断学习和实践来完善您的代码。...
Bi-LSTM-CRF（二）--tensorflow源码解析
蓦然回首
10-04 867
CRF 对于序列标注问题，通常会在LSTM的输出后接一个CRF层：将LSTM的输出通过线性变换得到维度为[batch_size, max_seq_len, num_tags]的张量，这个张量再作为一元势函数（Unary Potentials）输入到CRF层。 # 将两个LSTM的输出合并 output_fw, output_bw = outputs output = tf.concat([...
char-rnn-master_ner_biLSTM+CRF_BiLSTM-CRF_
10-01
命名实体识别代码，BiLSTM-CRF代码，Tensorflow框架
基于BERT+BILSTM+CRF进行中文命名实体识别python源码+项目说明+模型+数据.zip
最新发布
04-09
通过对网上博客的阅读了解，中文命名实体识别比较主流的方法是BILSTM+CRF、IDCNN+CRF、BERT+BILSTM+CRF这几种神经网络算法，这个demo也用Keras实现了这几个算法，并且采用几个比较通用的数据集进行训练测试。...
使用keras实现BiLSTM+CNN+CRF文字标记NER
01-19
我就废话不多说了，大家还是直接看代码吧~ import keras from sklearn.model_selection import train_test_split import tensorflow as tf from keras.callbacks import ModelCheckpoint,Callback # import keras....
Tensorflow-BiLSTM分类
07-23
该段Tensorflow代码可用于文本分类，和情感分类。其主要特点是，在同一份代码中，同时实现两张张量图，一张用于训练，另一张用于测试。并做交叉验证。
PyTorch tutorial BiLSTM CRF 代码解析
xiaoxu1025的专栏
04-13 568
PyTorch tutorial BiLSTM CRF 代码解析
一步步解读pytorch实现BiLSTM CRF代码
热门推荐
difend的博客
01-20 1万+
pytorch实现BiLSTM+CRF ​ 网上很多教程都是基于pytorch官网例子进行的解读，所以我就决定看懂官网例子后自己再进行复现，这一篇是我对于官方代码的详细解读。 理解LSTM 参考：http://colah.github.io/posts/2015-08-Understanding-LSTMs/ 这一篇英文的LSTM文章写得真的很好，看了一遍以后就很轻松的捡起了遗忘的知识点 ...
【一起入门NLP】中科院自然语言处理作业三：用BiLSTM+CRF实现中文命名实体识别（TensorFlow入门）【代码+报告】
vector的博客
11-29 5032
目录欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 这里是 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markd
Bert-Bilstm-CRF基线模型详解&代码实现
suibianshen2012的专栏
12-11 1万+
这个系列我们来聊聊序列标注中的中文实体识别问题，第一章让我们从当前比较通用的基准模型Bert+Bilstm+CRF说起，看看这个模型已经解决了哪些问题还有哪些问题待解决。以下模型实现和评估脚本，详见 Github-DSXiangLi/ChineseNER NER问题抽象 实体识别需要从文本中抽取两类信息，不同类型的实体本身token组合的信息（实体长啥样），以及实体出现的上下文信息（实体在哪里）一种解法就是通过序列标注把以上问题转化成每个字符的分类问题，label主要有两种其中BIO更常见些 BIO：
中文命名实体识别(tensorflow，BiLSTM+CRF)
weixin_45011930的博客
04-14 2087
运行Github上简单的一个命名实体识别BiLSTM+CRF模型 一，版本问题 TensorFlow版本为1.4.0 Python版本为2.7 二，运行环境 Linux操作系统 在Win10下会报错 三，运行步骤 首先运行data里的py文件，获取pkl文件，供模型使用 然后开始训练 使用 python train.py 开始训练，运行tensorflow文件夹里的train.py，训练的模型会存到model文件夹中 四，运行结果 获取了预测准确率，每四个数据存到一个文件里，并保存在Model文件夹下 .
tensorflow2.10构建bilstm+crf的全代码
11-16
import tensorflow as tf from tensorflow.keras import layers, Sequential from tensorflow.keras.preprocessing.sequence import pad_sequences # 构建BiLSTM-CRF模型 class BiLSTMCRF(tf.keras.Model): def __init__(self, vocab_size, tag_size, embedding_dim, units): super(BiLSTMCRF, self).__init__() self.embedding = layers.Embedding(vocab_size, embedding_dim, mask_zero=True) self.lstm = layers.Bidirectional(layers.LSTM(units, return_sequences=True)) self.dense = layers.Dense(tag_size) self.crf = CRF(tag_size) def call(self, inputs, training=False): x = self.embedding(inputs) x = self.lstm(x) x = self.dense(x) outputs = self.crf(x) return outputs # 定义CRF层 class CRF(layers.Layer): def __init__(self, units): super(CRF, self).__init__() self.units = units def build(self, input_shape): self.transition_params = self.add_weight("transition_params", shape=[self.units, self.units]) def call(self, inputs, sequence_lengths=None, training=None): if training is None: training = self.trainable if training: log_likelihood, self.transition_params = tf.contrib.crf.crf_log_likelihood(inputs, tag_indices, sequence_lengths) else: log_likelihood, _ = tf.contrib.crf.crf_log_likelihood(inputs, tag_indices, sequence_lengths, self.transition_params) return log_likelihood # 构建数据 vocab = {'apple': 0, 'orange': 1, 'banana': 2} tag = {'B': 0, 'I': 1, 'O': 2} x = [[vocab['apple']], [vocab['orange']], [vocab['banana'], vocab['orange']]] y = [[tag['B']], [tag['I']], [tag['B'], tag['I']]] x = pad_sequences(x, padding='post') y = pad_sequences(y, padding='post') # 编码标签 decoded_y = tf.keras.utils.to_categorical(y, num_classes=len(tag)) # 定义模型 model = BiLSTMCRF(vocab_size=len(vocab), tag_size=len(tag), embedding_dim=64, units=100) # 编译模型 model.compile(optimizer='adam', loss=model.crf, metrics=[model.crf]) # 训练模型 model.fit(x, decoded_y, batch_size=32, epochs=10, validation_split=0.2)

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值