Kashgari

Kashgari

Aperçu | Performance | Installation | Documentation | Contributif

??? Nous avons publié la version 2.0.0 avec le support TF2. ???

Si vous utilisez ce projet pour vos recherches, veuillez citer:

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

Aperçu

Kashgari est un cadre d'apprentissage de transfert NLP simple et puissant, construit un modèle de pointe en 5 minutes pour la reconnaissance de l'entité nommée (NER), le taggage de dispection (POS) et les tâches de classification du texte.

• Respectueux de l'homme . Le code de Kashgari est simple, bien documenté et testé, ce qui le rend très facile à comprendre et à modifier.
• Puissant et simple . Kashgari vous permet d'appliquer des modèles de traitement du langage naturel (NLP) de pointe à votre texte, tels que la reconnaissance des entités nommés (NER), le marquage de dispection (POS) et la classification.
• Apprentissage transfert intégré . Kashgari intégrée intégrée BERT et Word2Vec Modèles, ce qui rend très simple à transférer l'apprentissage pour former votre modèle.
• Entièrement évolutif . Kashgari fournit un environnement simple, rapide et évolutif pour une expérimentation rapide, entraînez vos modèles et expérimentez de nouvelles approches en utilisant différentes intérêts et structure du modèle.
• Production prête . Kashgari pourrait exporter le modèle avec le format SavedModel pour le service TensorFlow, vous pouvez le déployer directement sur le cloud.

Notre objectif

• Les utilisateurs académiques expérimentent plus facilement pour prouver leur hypothèse sans coder à partir de zéro.
• Les débutants PNL apprennent à construire un projet NLP avec la qualité du code de production.
• Les développeurs de PNL construisent un modèle de classification / étiquetage de niveau de production en quelques minutes.

Performance

Bienvenue pour ajouter un rapport de performances.

Tâche	Langue	Ensemble de données	Score
Reconnaissance d'entité nommée	Chinois	Corpus quotidien du peuple	95,57
Classification de texte	Chinois	SMP2018ECDTCORPUS	94.57

Installation

Le projet est basé sur Python 3.6+, car il est 2019 et la distinction de type est cool.

Backend	version kashgari	dessiner
TensorFlow 2.2+	pip install 'kashgari>=2.0.2'	Tf2.10 + avec tf.keras
TensorFlow 1.14+	pip install 'kashgari>=1.0.0,<2.0.0'	Tf1.14 + avec tf.keras
Kéras	pip install 'kashgari<1.0.0'	Version Keras

Vous devez également installer tensorflow_addons avec TensorFlow.

Version TensorFlow	version tensorflow_addons
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

Tutoriels

Voici un ensemble de tutoriels rapides pour vous aider à démarrer avec la bibliothèque:

• Tutoriel 1: Classification du texte
• Tutoriel 2: étiquetage du texte
• Tutoriel 3: SEQ2SEQ
• Tutoriel 4: Intégration de la langue

Il existe également des articles et des articles qui illustrent comment utiliser Kashgari:

• 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
• Classification de texte multi-classe avec Kashgari en 15 minutes

Exemples:

• Traduction de machine neurale avec SEQ2SEQ

Contributeurs

Merci à ces gens merveilleux. Et il existe de nombreuses façons de s'impliquer. Commencez par les directives des contributeurs, puis vérifiez ces problèmes ouverts pour des tâches spécifiques.