NER项目 P12-2 Kaggle缓存模型下载和预测改动
这节课，我要给大家补充一个内容，就是在 BiLSTM 前面加上一个 Bert 层，为什么要补充这个内容呢？两个原因，一是很多同学留言说自己课后尝试了加 Bert，但是各种报错；二是有同学反馈说模型的准确率不高，想试试加了 Bert 之后，模型效果会不会变好。所以我抽一点时间，给大家介绍一下加 Bert 的方法，作为一个统一的答疑。
首先，我们需要来分析一下，Bert 这一层应该加在什么地方。Bert 作为一个预训练模型，在我们当前这个项目中，其实很简单，它充当的就是一个文本向量化的角色，就是把文本转化成一个词向量。回到我们的项目中，其实已经有了这个向量化的过程，就是 Embedding 这一层，它和 Bert 的区别，其实只是维度不同，和缺少了大规模预训练的过程。所以我们说的加 Bert 层，其实就是用 Bert 替换随机 Embedding 这一层就可以了。
代码示例
1、修改配置文件
内容不可见，请联系管理员开通权限。
2、文本转 input_ids
内容不可见，请联系管理员开通权限。
3、Bert 替换随机 Embedding
内容不可见，请联系管理员开通权限。
Kaggle设置改动：界面右侧 - Notebook options - Internet on，如果没有验证手机号，需要先验证手机号。
4、预测部分修改
前面模型修改完之后，需要到Kaggle上重新训练，得到新的模型之后，下载模型文件导入项目，微调预测逻辑即可。
内容不可见，请联系管理员开通权限。
好，到目前为止，我们就实现了完整的 Bert+BiLSTM+CRF 实现命名实体识别的过程。有了前面的基础模型之后，添加 Bert 其实是很简单的。希望大家课后要多思考、多练习，提高综合编程能力。
本文链接：http://edu.ichenhua.cn/edu/note/538
版权声明：本文为「陈华编程」原创课程讲义，请给与知识创作者起码的尊重，未经许可不得传播或转售！
