# 算法示例
## 使用指南
等待自动安装好环境和框架后即可按以下操作使用。
1. 按 `CTRL + P` 打开命令行面板,输入 "terminal: Create New Terminal" 打开一个命令行终端.
2. 在命令行里输入 `cd 1_算法示例` 并按 `ENTER` 进入"算法示例"目录。
3. 在命令行里输入 `python solution.py` 按 `ENTER` 运行示例程序。
> `python solution.py`实际是默认执行了`python solution.py --mode evaluation`命令,此处默认执行了evaluation命令行参数
一共有以下三类参数操作:
- 在命令行里输入`python solution.py --mode preprocessing`按 `ENTER` 运行示例程序,会把1_算法示例/raw_data/chinese下的数据集解析成1_算法示例/data/chinese下的数据。
- 在命令行里输入`python solution.py --mode train`按 `ENTER` 运行示例程序,会用1_算法示例/data/chinese下的数据进行模型训练,生成的模型文件存储在1_算法示例/saved_models下。
> 配置文件详见1_算法示例/experiments/chinese_selection_re.json,默认训练十个epoch,使用chinese_selection_re_9作为最终模型。
- 在命令行里输入 `python solution.py --mode evaluation` 按 `ENTER` 运行示例程序,会得到一句话的实体关系抽取结果。
> 运行命令后,所有数据都写入到了1_算法示例/data/writeDate/triples.csv中,可以打开查看详细结果。
## 目录指南
- data:data目录存储了数据集文件。
- experiments:experiments目录存储了配置文件chinese_selection_re.json。
- lib:lib目录存储了自定义的库文件。
- saved_models:saved_models目录存储了训练好的模型文件。
没有合适的资源?快使用搜索试试~ 我知道了~
基于BiLSTM-LSTM-Softmax的实体关系联合抽取.zip
共40个文件
py:18个
json:9个
md:5个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 117 浏览量
2024-05-22
17:01:28
上传
评论
收藏 10.43MB ZIP 举报
温馨提示
基于BiLSTM-LSTM-Softmax的实体关系联合抽取LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。
资源推荐
资源详情
资源评论
收起资源包目录
基于BiLSTM-LSTM-Softmax的实体关系联合抽取.zip (40个子文件)
content
1_算法示例
__init__.py 0B
raw_data
chinese
all_50_schemas 4KB
train_data.json 2.5MB
dev_data.json 2.5MB
data
chinese
multi_head_selection
bio_vocab.json 36B
train_data.json 1.2MB
word_vocab.json 31KB
relation_vocab.json 793B
dev_data.json 1.19MB
writeDate
triples.csv 133KB
experiments
chinese_selection_re.json 645B
solution.py 11KB
saved_models
chinese_selection_re_9 9.71MB
README.md 2KB
lib_8
__init__.py 0B
metrics
__init__.py 36B
F1_score.py 2KB
Accuracy_sentence.py 0B
dataloaders
__init__.py 48B
selection_loader.py 5KB
models
__init__.py 36B
selection.py 11KB
preprocessings
__init__.py 160B
chinese_selection.py 6KB
conll_selection.py 6KB
conll_bert_selecetion.py 9KB
config
__init__.py 32B
hyper.py 838B
.vscode
settings.json 3B
4_扩展练习
README.md 53B
LICENSE 1KB
2_算法演示
README.md 36B
demo.gif 275KB
3_自测练习
my_solution.py 10KB
test_case.py 194B
README.md 322B
requirements.txt 13B
.gitignore 2KB
.gitpod.yml 983B
README.md 391B
共 40 条
- 1
资源评论
生瓜蛋子
- 粉丝: 3828
- 资源: 5775
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功