crf的实现 keras_通俗易懂！BiLSTM上的CRF，用命名实体识别任务来解释CRF（二）

作者：CreateMoMo
编译：ronghuaiyang
原文链接：

【CRF】BiLSTM上的CRF，用命名实体识别任务来解释CRF（3）推理​mp.weixin.qq.com

前一篇地址：

忆臻：通俗易懂！BiLSTM上的CRF，用命名实体识别任务来解释CRF​zhuanlan.zhihu.com

2.6 为新的句子推理标签

在前面的章节中，我们学习了BiLSTM-CRF模型的结构和CRF损失函数的细节。你可以通过各种开源框架(Keras、Chainer、TensorFlow等)实现自己的BiLSTM-CRF模型。最重要的事情之一是模型的反向传播是在这些框架上自动计算的，因此你不需要自己实现反向传播来训练你的模型(即计算梯度和更新参数)。此外，一些框架已经实现了CRF层，因此将CRF层与你自己的模型结合起来非常容易，只需添加一行代码即可。

在本节中，我们将探索如何在模型准备好时在测试期间推断句子的标签。

步骤1：BiLSTM-CRF模型的Emission和transition得分

假设，我们有一个包含三个单词的句子

此外，我们已经从BiLSTM模型得到了Emission分数，从下面的CRF层得到了transition分数：

表示

被标记为

的得分。

是从标签i转换成标签j的得分。

步骤2：开始推理

如果你熟悉Viterbi算法，那么这一部分对你来说很容易。但如果你不熟悉，请不要担心。与前一节类似，我将逐步解释该算法。我们将从句子的左到右进行推理算法，如下图所示：

你会看到两个变量：obs和previous。previous存储前面步骤的最终结果。obs表示当前单词的信息。