Flair:一个非常简单的pytorch框架，用于最先进的NLP

一个非常简单的框架，用于最先进的NLP。由Zalando Research开发。

Flair是什么：

• 强大的语法 - 语义标记器/分类器。 Flair允许您应用我们最先进的模型进行命名实体识别（NER），词性标注（PoS），帧感消歧，分块和分类到您的文本。
• 文本嵌入库。 Flair具有简单的界面，允许您使用和组合不同的单词和文档嵌入。特别是，您可以尝试我们提出的上下文字符串嵌入来构建您自己最先进的NLP方法。
• Pytorch NLP框架。 我们的框架直接在Pytorch上构建，使您可以轻松地训练自己的模型，并使用Flair嵌入和类来尝试新方法。

现在版本0.2.0！

与现有技术的比较

Flair优于以前在一系列NLP任务上的最佳方法：

以下是使用Flair复制这些数字的方法。您还可以在我们的论文中找到详细的评估和讨论：

Contextual String Embeddings for Sequence Labeling。Alan Akbik，Duncan Blythe和Roland Vollgraf。第27届计算语言学国际会议，COLING 2018。

快速开始

1、环境需求和安装

该项目基于PyTorch 0.4+和Python 3.6+，因为签名方法和类型提示很漂亮。如果您没有Python 3.6，需要提前安装。这是Ubuntu 16.04安装python 3.6的方法。然后，在您最喜欢的虚拟环境中使用pip安装即可：

pip install flair

2、示例用法

让我们对一个例句运行命名实体识别（NER）。您需要做的就是创建一个Sentence，加载预先训练的模型并使用它来预测句子的标签：

from flair.data import Sentence
from flair.models import SequenceTagger

# make a sentence
sentence = Sentence('I love Berlin .')

# load the NER tagger
tagger = SequenceTagger.load('ner')

# run NER over sentence
tagger.predict(sentence)

完成！在Sentence目前拥有实体的注解。打印sentence可以看到标记器找到的内容。

print(sentence)
print('The following NER tags are found:')
print(sentence.to_tagged_string())

应该会输出：

Sentence: "I love Berlin ." - 4 Tokens

The following NER tags are found: 

I love Berlin <S-LOC> .

教程

我们提供了一套快速教程来帮助您开始使用该库：

• 教程1：基础知识
• 教程2：标记文本
• 教程3：使用Word Embeddings
• 教程4：使用Embeddings文档
• 教程5：训练自己的模型
• 教程6：训练您自己的Embeddings 这些教程解释了基础的NLP类是如何工作，如何加载预先训练的模型来标记文本，如何使用不同的单词或文档嵌入嵌入文本，以及如何训练自己的语言模型，序列标记模型和文本分类模型。

项目地址：zalandoresearch/flair

本文转账至:Flair:一个非常简单的pytorch框架，用于最先进的NLP