torchCRF的简单使用

案例简介

模型输入:

seq:[batch_size,len_seq,num_tags]

seq_tag:[batch_size,len_seq]

模型输出:

likehood:tensor()

案例代码

import torch
from TorchCRF import CRF
from torch.utils.data import TensorDataset,DataLoader
from torch.optim import Adam
import matplotlib.pyplot as plt
batch_size = 10
seq_len = 19
num_tags = 9
X = torch.randn(1000,seq_len,num_tags)
tags = torch.ones([1000,seq_len]).long()
# 数据集构建,标签全是1
tensor_data = TensorDataset(X,tags)
dataloader = DataLoader(tensor_data,shuffle = True,batch_size = batch_size)
# 模型定义
model = CRF(num_tags,batch_first=True)
# 模型训练
optimizer = Adam(model.parameters(),lr = 0.05,betas = (0.9,0.99))
losses = []
for seq,seq_tag in dataloader:
    loss = (-1)*model(seq,seq_tag)
    loss.backward()
    optimizer.step()
    losses.append(loss.tolist())
plt.xlabel('number of iter')
plt.ylabel('loss')
plt.title('a simple of torchcrf')
plt.plot(losses)
plt.legend()
plt.show()
print('解码结果:',model.decode(X[:4]))

输出:
在这里插入图片描述
解码结果: [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]

  • 4
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“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 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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