Kashgari

Kashgari

Übersicht | Leistung | Installation | Dokumentation | Beitragen

??? Wir haben die 2.0.0 -Version mit TF2 -Unterstützung veröffentlicht. ???

Wenn Sie dieses Projekt für Ihre Forschung verwenden, zitieren Sie bitte:

 @misc{Kashgari
  author = {Eliyar Eziz},
  title = {Kashgari},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {url{https://github.com/BrikerMan/Kashgari}}
}

Überblick

Kashgari ist ein einfaches und leistungsstarkes NLP-Transfer-Lernrahmen, erstellt in 5 Minuten ein hochmodernes Modell für die genannte Entitätserkennung (NER), ein Teil der Speech-Tagging (POS) und die Textklassifizierungsaufgaben.

• Menschlich-freundlich . Kashgaris Code ist unkompliziert, gut dokumentiert und getestet, was es sehr leicht zu verstehen und zu ändern macht.
• Mächtig und einfach . Mit Kashgari können Sie hochmoderne Modelle für natürliche Sprachverarbeitung (NCLP) auf Ihren Text anwenden, wie z.
• Integriertes Transferlernen . Eingebaute Kashgari-Einbettungsmodelle von Bert und Word2VEC, wodurch es sehr einfach ist, das Lernen zu übertragen, um Ihr Modell zu trainieren.
• Voll skalierbar . Kashgari bietet eine einfache, schnelle und skalierbare Umgebung für schnelle Experimente, trainiert Ihre Modelle und experimentiert mit neuen Ansätzen mit verschiedenen Einbettungen und Modellstruktur.
• Produktion fertig . Kashgari könnte das Modell mit dem SavedModel -Format für TensorFlow -Serving exportieren. Sie können es direkt in der Cloud bereitstellen.

Unser Ziel

• Akademische Benutzer erleichtern das Experimentieren, um ihre Hypothese zu beweisen, ohne von Grund auf neu zu codieren.
• NLP -Anfänger lernen, wie man ein NLP -Projekt mit Produktionsniveau -Code -Qualität erstellt.
• NLP -Entwickler erstellen innerhalb weniger Minuten ein Modell der Produktionsniveau-/Kennzeichnungsmodell.

Leistung

Willkommen, um Leistungsbericht hinzuzufügen.

Aufgabe	Sprache	Datensatz	Punktzahl
Genannte Entitätserkennung	chinesisch	Daily Ner Corpus der Menschen	95,57
Textklassifizierung	chinesisch	Smp2018ecdtcorpus	94.57

Installation

Das Projekt basiert auf Python 3.6+, da es 2019 ist und der Typ ist cool.

Backend	Kashgari -Version	vor
Tensorflow 2.2+	pip install 'kashgari>=2.0.2'	Tf2.10+ mit tf.keras
Tensorflow 1.14+	pip install 'kashgari>=1.0.0,<2.0.0'	Tf1.14+ mit tf.keras
Keras	pip install 'kashgari<1.0.0'	Keras Version

Sie müssen auch tensorflow_addons mit TensorFlow installieren.

Tensorflow -Version	TensorFlow_addons Version
Tensorflow 2.1	pip install tensorflow_addons==0.9.1
Tensorflow 2.2	pip install tensorflow_addons==0.11.2
Tensorflow 2,3, 2.4, 2.5	pip install tensorflow_addons==0.13.0

Tutorials

Hier finden Sie eine Reihe kurzer Tutorials, um Sie mit der Bibliothek zu beginnen:

• Tutorial 1: Textklassifizierung
• Tutorial 2: Textkennzeichnung
• Tutorial 3: SEQ2SEQ
• Tutorial 4: Spracheinbettung

Es gibt auch Artikel und Beiträge, die veranschaulichen, wie man Kashgari verwendet:

• 基于 Kashgari 2 的短文本分类: 数据分析和预处理
• 基于 Kashgari 2 的短文本分类: 训练模型和调优
• 基于 Kashgari 2 的短文本分类: 模型部署
• 15 分钟搭建中文文本分类模型
• 基于 Bert 的中文命名实体识别（ ner)
• Bert/Ernie 文本分类和部署
• 五分钟搭建一个基于 Bert 的 ner 模型
• Textklassifizierung von Multi-Klasse-Textklassifizierung mit Kashgari in 15 Minuten

Beispiele:

• Übersetzung der neuronalen Maschine mit SEQ2SEQ

Mitwirkende

Danke geht an diese wundervollen Menschen. Und es gibt viele Möglichkeiten, sich zu engagieren. Beginnen Sie mit den Richtlinien für Mitwirkende und überprüfen Sie diese offenen Probleme auf bestimmte Aufgaben.