基于Pytorch框架+GlobalPointer实现中文命名实体识别python源码+使用说明+模型+数据集.zip

1.项目代码均经过功能验证ok，确保稳定可靠运行。欢迎下载体验！下载完使用问题请私信沟通。 2.主要针对各个计算机相关专业，包括计算机科学、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师、企业员工。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。在使用过程中，如有问题或建议，请及时沟通。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！ 【资源说明】 基于Pytorch框架+GlobalPointer实现中文命名实体识别python源码+使用说明+模型+数据集.zip 这里还是按照之前命名实体识别的相关模板，具体模型的介绍及预备知识请移步参考里面的链接。复现方式： - 1、raw_data下新建一个process.py将原始数据处理为mid_data下的数据。 - 2、根据参数运行main.py以进行训练、验证、测试和预测。 模型和数据下载地址：链接：https://pan.baidu.com/s/1Gh9UQESQmEXuzyyPUG_FgQ?pwd=1a6s 提取码：1a6s # 依赖 ``` pytorch==1.6.0 transformers==4.5.0 seqeval ``` # 运行 ```python python main.py \ --bert_dir="model_hub/chinese-bert-wwm-ext/" \ --data_dir="./data/cner/" \ --log_dir="./logs/" \ --output_dir="./checkpoints/" \ --num_tags=8 \ --head_size=64 \ --seed=123 \ --gpu_ids="0" \ --max_seq_len=150 \ --lr=5e-5 \ --other_lr=5e-5 \ --train_batch_size=32 \ --train_epochs=7 \ --eval_steps=50 \ --eval_batch_size=8 \ --max_grad_norm=1 \ --warmup_proportion=0.1 \ --adam_epsilon=1e-8 \ --weight_decay=0.01 \ --dropout_prob=0.1 \ --use_tensorboard="True" \ --use_efficient_globalpointer="True" ``` ### 结果 globalpoint2.py也是可以用的，要选择它需要将main.py导入修改为```import globalpoint2```，并在使用模型时改为```globalpoint2.GlobalPointerNer```，模型名字自己设置为bert-2，参数use_efficient_globalpointer没有作用，因为是针对globalpoint.py的。 ```python precision:0.9559 recall:0.9565 micro_f1:0.9562 precision recall f1-score support TITLE 0.96 0.96 0.96 762 RACE 1.00 0.93 0.97 15 CONT 1.00 1.00 1.00 33 ORG 0.94 0.94 0.94 539 NAME 0.99 1.00 1.00 110 EDU 0.97 0.99 0.98 109 PRO 0.82 1.00 0.90 18 LOC 1.00 1.00 1.00 2 micro-f1 0.96 0.96 0.96 1588