相关资源汇总
相关数据源:
https://github.com/buppt/ChineseNER
CRF++代码:
https://taku910.github.io/crfpp/
CRF++源代码解析:
http://www.hankcs.com/ml/crf-code-analysis.html
CRF源码解析还算可以的博客:
https://blog.csdn.net/aws3217150/article/details/69212445
这部分就mark一下,明天就面试了,没有时间挨个看代码。
CRF++中特征详细举例子说明:
https://blog.csdn.net/asdfsadfasdfsa/article/details/81073522
为什么用lstm + crf 模型?
主要是lstm的输出是全局的标记,每个序列输出的都是 BIO中的一个,有可能会输出 I I I。这种序列,这显然是不可能的。加入CRF层可有效避免这个问题。
tensorflow中crf源码阅读
如果输入的是128*40*128的向量,其中128是batch_size,40是句子长度, 128是词向量。
假设lstm输出的向量大小是50。最后把双向lstm输出拼接起来就是。128*40*100的向量。
lstm 和 crf 连接之前,需要经过一个全连接层。全连接层的
https://blog.csdn.net/asrgreek/article/details/87905581
这一篇博客也讲得不错.
https://blog.csdn.net/u011724402/article/details/82078328
问题
1、为什么用lstm + crf 结构,而不是单独用lstm 或者 crf ?
2、cft和hmm的区别?