创新实训记录11--结果页面/bert训练/项目博客维护

最新推荐文章于 2024-05-04 11:58:44 发布

xxr~

最新推荐文章于 2024-05-04 11:58:44 发布

阅读量289

点赞数

本文链接：https://blog.csdn.net/qq_41798302/article/details/106826574

版权

记录

维护项目博客（3,4,5,6）

3:主要是web界面的展示
4：主要是数据处理与可视化
5，6：核心算法

整理队员近一周的进度，在项目博客上尽行整理，主要分为web界面，数据处理与可视化，算法三个部分来进行整理，尽量缩减代码，主要体现工作思路和项目进展（具体代码可到相关个人博客）

论文相似度分析页面设计：

实现导航栏的效果：（点击研究背景、研究问题、贡献、方法、实验可以分别得到其结果）
（里面的内容只是为了简单的展示，是以前的图，后期根据队友的结果需要更改）

在这里插入图片描述

代码目录：
在这里插入图片描述
代码：（只展示了其中一个）

<!DOCTYPE html>
<html>

<head>
    <meta charset="UTF-8">
    <title>论文相似度</title>
    <link rel="stylesheet" href="https://cdn.staticfile.org/twitter-bootstrap/3.3.7/css/bootstrap.min.css">
    <script src="https://cdn.staticfile.org/jquery/2.1.1/jquery.min.js"></script>
    <script src="https://cdn.staticfile.org/twitter-bootstrap/3.3.7/js/bootstrap.min.js"></script>
    <script type="text/javascript" src="https://assets.pyecharts.org/assets/echarts.min.js"></script>
    <style type="text/css">
        /* Custom Styles */
              .jumbotron {
            background: #d9edf7;
        }
      </style>
</head>

<body >
    <div class="container">
        <div class="jumbotron" >
            <h1 class="text-center">
                论文相似度
            </h1>
        </div>
        
            <nav role="navigation" class="navbar navbar-static-top navbar-default">
              <div class="container">
                <div class="navbar-header">
                  <a class="navbar-brand">相似度分析</a>
                </div>
                
                <ul class="nav navbar-nav">
                  <li class="active"><a>研究背景</a></li>
                  <li><a  href="./analysis1.html">研究问题</a></li>
                  <li><a  href="./analysis2.html">贡献</a></li>
                  <li><a  href="./analysis3.html">方法</a></li>
                  <li><a  href="./analysis4.html">实验</a></li>
                </ul>
                
              </div>
            </nav>
        
            <div class="panel-body">
                <!-- outlinks 图片展示 -->
                <div id="29e39514639946e3822646c9c4b1a6a9" style="width:900px; height:500px;"></div>
                <script>
                    var chart_29e39514639946e3822646c9c4b1a6a9 = echarts.init(
                        document.getElementById('29e39514639946e3822646c9c4b1a6a9'), 'roma', {renderer: 'canvas'});
                    var option_29e39514639946e3822646c9c4b1a6a9 = {
                "series": [
                    {
                        "type": "graph",
                        "layout": "force",
                        "circular": {
                            "rotateLabel": false
                        },
                        "force": {
                            "repulsion": 1500,
                            #以下太长，省略
 chart_29e39514639946e3822646c9c4b1a6a9.setOption(option_29e39514639946e3822646c9c4b1a6a9);

</body>
</html>

colab运行Deep Keyphrase Extraction using BERT

1.上传BERT-Keyword-Extractor-master文件夹到谷歌云端硬盘中：
在这里插入图片描述
2.在colab中加载云端硬盘：

from google.colab import drive
drive.mount('/content/drive')

3.更改运行目录：

import os
os.chdir("./drive/My Drive/BERT-Keyword-Extractor-master/BERT-Keyword-Extractor-master")

4.配置相应的运行环境并使用GPU运行：
环境要求：

pytorch 1.0
python 3.6
pytorch-pretrained-bert 0.4.0

! pip3 install pytorch_pretrained_bert==0.4.0

! pip3 install seqeval

在这里插入图片描述
5.报错如下：

解决：

>>> import nltk
>>> nltk.download('punkt')

结果：
在这里插入图片描述
6.运行以下代码进行训练:

! python3 ./main.py --data "maui-semeval2010-train" --lr 2e-5 --batch_size 32 --save "model.pt" --epochs 3

在这里插入图片描述

! python3 keyword-extractor.py --sentence "BERT is a great model." --path "model.pt"

需要注意：在keyword-extractor.py文件中需要添加一行：

import numpy as np

结果：
在这里插入图片描述
参考：

https://www.jianshu.com/p/a42d69568966
https://github.com/ibatra/BERT-Keyword-Extractor

xxr~

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
创新实训记录11--结果页面/bert训练/项目博客维护

维护项目博客（3，4，5）emsp;emsp;emsp;emsp;整理队员近一周的进度，在项目博客上尽行整理，主要分为web界面，数据处理与可视化，算法三个部分来进行整理，尽量缩减代码，主要体现工作思路和项目进展（具体代码可到相关个人博客）...
复制链接

扫一扫