Kashgari

카슈 가리

개요 | 성능 | 설치 | 문서 | 기여

? 우리는 TF2 지원으로 2.0.0 버전을 출시했습니다. ?

이 프로젝트를 연구에 사용하는 경우 다음을 인용하십시오.

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

개요

Kashgari는 간단하고 강력한 NLP 전송 학습 프레임 워크이며, NER (In Entity Recognition), POS (Part-of-Steech Tagging) 및 텍스트 분류 작업을 위해 5 분 안에 최첨단 모델을 구축합니다.

• 인간 친화적입니다 . Kashgari의 코드는 간단하고 문서화되고 테스트되어 이해하고 수정하기가 매우 쉽습니다.
• 강력하고 단순합니다 . Kashgari를 사용하면 NER (Nation-of Natural Language Processing) 모델 (NER), POS (Part-of-Steech Tagging) 및 분류와 같은 최첨단 자연 언어 처리 (NLP) 모델을 텍스트에 적용 할 수 있습니다.
• 내장 전송 학습 . Kashgari 내장 사전 훈련 된 Bert 및 Word2Vec 임베딩 모델은 모델을 훈련시키기 위해 학습을 전송하는 것이 매우 간단합니다.
• 완전히 확장 가능 . Kashgari는 빠른 실험을위한 간단하고 빠르며 확장 가능한 환경을 제공하고, 모델을 훈련시키고, 다양한 임베딩 및 모델 구조를 사용하여 새로운 접근법을 실험합니다.
• 생산 준비 . Kashgari는 Tensorflow 서빙을위한 SavedModel 형식으로 모델을 내보낼 수 있으며 클라우드에 직접 배포 할 수 있습니다.

우리의 목표

• 학업 사용자는 처음부터 코딩하지 않고 가설을 증명하기위한 실험이 쉽습니다.
• NLP 초보자는 생산 수준 코드 품질로 NLP 프로젝트를 구축하는 방법을 배웁니다.
• NLP 개발자는 몇 분 안에 생산 수준 분류/라벨링 모델을 구축합니다.

성능

성능 보고서 추가에 오신 것을 환영합니다.

일	언어	데이터 세트	점수
지명 된 엔티티 인식	중국인	사람들의 일일 코퍼스	95.57
텍스트 분류	중국인	SMP2018ECDTCORPUS	94.57

설치

이 프로젝트는 Python 3.6+를 기반으로합니다. 2019 년이기 때문에 유형 힌트는 시원하기 때문입니다.

백엔드	카슈 가리 버전	DESC
텐서 플로 2.2+	pip install 'kashgari>=2.0.2'	TF2.10+ tf.keras
텐서 플로 1.14+	pip install 'kashgari>=1.0.0,<2.0.0'	tf1.14+ tf.keras
케라	pip install 'kashgari<1.0.0'	Keras 버전

또한 tensorflow_addons Tensorflow로 설치해야합니다.

텐서 플로우 버전	Tensorflow_addons 버전
텐서 플로 2.1	pip install tensorflow_addons==0.9.1
텐서 플로 2.2	pip install tensorflow_addons==0.11.2
텐서 플로 2.3, 2.4, 2.5	pip install tensorflow_addons==0.13.0

튜토리얼

다음은 라이브러리를 시작하기위한 빠른 자습서 세트입니다.

• 튜토리얼 1 : 텍스트 분류
• 튜토리얼 2 : 텍스트 라벨링
• 튜토리얼 3 : seq2seq
• 튜토리얼 4 : 언어 임베딩

카슈 가리 사용 방법을 보여주는 기사와 게시물도 있습니다.

• Kashgari 2 的短文本分类 : 数据分析和预处理
• Kashgari 2 的短文本分类 : 训练模型和调优
• 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 基于 的中文命名实体识别 的中文命名实体识别 (ner)
• 버트/에르니
• Bert 的 ner 模型
• 15 분 안에 카슈 가리와의 멀티 클래스 텍스트 분류

예 :

• seq2seq를 사용한 신경 기계 번역

기고자

이 멋진 사람들에게 감사드립니다. 그리고 참여하는 방법에는 여러 가지가 있습니다. 기고자 가이드 라인으로 시작한 다음 특정 작업에 대한 열린 문제를 확인하십시오.