Awesome
支持批并行的LatticeLSTM
- 原论文：https://arxiv.org/abs/1805.02023
- 在batch=10时，计算速度已明显超过原版代码。
- 在main.py中添加三个embedding的文件路径以及对应数据集的路径即可运行（原文中用的embedding文件下载路径请见https://github.com/jiesutd/LatticeLSTM）
- 此代码集合已加入fastNLP
运行环境：
- python >= 3.7.3
- fastNLP >= dev.0.5.0
- pytorch >= 1.1.0
- numpy >= 1.16.4
- fitlog >= 0.2.0
支持的数据集：
未包含的数据集可以通过提供增加类似 load_data.py 中 load_ontonotes4ner 这个输出格式的函数来增加对其的支持
性能：
| 数据集 | 目前达到的F1分数(test) | 原文中的F1分数(test) |
|---|---|---|
| 58.66(可能有误) | 58.79 | |
| Resume | 95.18 | 94.46 |
| Ontonote | 73.62 | 73.88 |
备注：Weibo数据集我用的是V2版本，也就是更新过的版本，根据杨杰博士Github上LatticeLSTM仓库里的某个issue，应该是一致的。
如有任何疑问请联系：
Batch Parallel LatticeLSTM
- paper：https://arxiv.org/abs/1805.02023
- when batch is 10，the computation efficiency exceeds that of original code。
- set the path of embeddings and corpus before you run main.py. You can get 3 embeddings in https://github.com/jiesutd/LatticeLSTM
- this code set has been added to fastNLP
Environment：
- python >= 3.7.3
- fastNLP >= dev.0.5.0
- pytorch >= 1.1.0
- numpy >= 1.16.4
- fitlog >= 0.2.0
Dataset：
to those unincluded dataset, you can write the interface function whose output form is like load_ontonotes4ner in load_data.py
Performance：
| Dataset | F1 of my code(test) | F1 in paper(test) |
|---|---|---|
| 58.66(maybe wrong) | 58.79 | |
| Resume | 95.18 | 94.46 |
| Ontonote | 73.62 | 73.88 |
PS:The Weibo dataset I use is V2, namely revised version.