flair-82 0.8.2

一个针对最先进NLP的非常简单的框架。由柏林洪堡大学及其朋友开发。

Flair是

• 一个强大的NLP库。 Flair允许您将我们最先进的自然语言处理（NLP）模型应用于您的文本，例如命名实体识别（NER）、词性标注（PoS）、对生物医学数据的特殊支持（HUNFLAIR）、词义消歧和分类，并支持快速增长的多种语言。

• 一个文本嵌入库。 Flair具有简单的接口，允许您使用和组合不同的单词和文档嵌入，包括我们提出的（Flair嵌入）、BERT嵌入和ELMo嵌入。

• 一个PyTorch NLP框架。 我们的框架直接建立在PyTorch之上，这使得使用Flair嵌入和类来训练自己的模型和实验新方法变得容易。

现在是版本0.8！

加入我们：HU-Berlin的开放职位！

如果您对进行NLP/ML研究并热爱开源，请考虑申请柏林洪堡大学的研究助理和博士生职位！

最先进模型

Flair附带了一系列NLP任务的最新模型。例如，查看我们的最新NER模型

新功能：大多数Flair序列标记模型（包括命名实体识别、词性标注等）现在托管在🤗 HuggingFace模型库！您可以浏览模型，检查它们的详细训练信息，甚至在线尝试每个模型！

快速开始

需求和安装

本项目基于PyTorch 1.5+和Python 3.6+，因为方法签名和类型提示很美。如果您没有Python 3.6，请先安装它。以下是Ubuntu 16.04的安装方法。然后，在您喜欢的虚拟环境中，只需简单执行

pip install flair

示例用法

让我们对示例句子进行命名实体识别(NER)。您需要做的只是创建一个Sentence，加载一个预训练模型，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！现在Sentence有了实体注释。打印句子以查看标记器发现了什么。

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

# iterate over entities and print
for entity in sentence.get_spans('ner'):
    print(entity)

这将打印

Sentence: "I love Berlin ." - 4 Tokens

The following NER tags are found:

Span [3]: "Berlin"   [− Labels: LOC (0.9992)]

教程

我们提供了一系列快速教程，帮助您开始使用该库

• 教程1：基础
• 教程2：标记文本
• 教程3：嵌入单词
• 教程4：所有单词嵌入列表
• 教程5：嵌入文档
• 教程6：加载数据集
• 教程7：训练模型
• 教程8：训练自己的Flair嵌入
• 教程9：训练零样本文本分类器（TARS）

这些教程解释了基NLP类的操作方式，如何加载预训练模型来标记您的文本，如何使用不同的单词或文档嵌入来嵌入您的文本，以及如何训练您自己的语言模型、序列标记模型和文本分类模型。如果您有任何不清楚的地方，请告诉我们。

我们还有一个专门的页面，专门介绍我们的生物医学NER和数据集，其中包含安装说明和教程。

还有许多第三方文章和帖子说明了如何使用Flair

• 如何使用Flair构建文本分类器
• 如何使用Flair和Flask构建微服务
• Flair的Docker镜像
• Flair功能概述以及在Colab中的使用方法
• 用于突出显示提取实体的可视化工具
• Flair在命名实体识别中的最先进方法的实用方法
• NER算法基准测试
• 在Google Cloud Platform (GCP)上训练Flair文本分类器并在GCP上提供预测
• 基于transformer的Flair模型的模型可解释性

引用Flair

当使用Flair嵌入时，请引用以下论文：

@inproceedings{akbik2018coling,
  title={Contextual String Embeddings for Sequence Labeling},
  author={Akbik, Alan and Blythe, Duncan and Vollgraf, Roland},
  booktitle = {{COLING} 2018, 27th International Conference on Computational Linguistics},
  pages     = {1638--1649},
  year      = {2018}
}

如果您使用Flair框架进行实验，请引用以下论文：

@inproceedings{akbik2019flair,
  title={FLAIR: An easy-to-use framework for state-of-the-art NLP},
  author={Akbik, Alan and Bergmann, Tanja and Blythe, Duncan and Rasul, Kashif and Schweter, Stefan and Vollgraf, Roland},
  booktitle={{NAACL} 2019, 2019 Annual Conference of the North American Chapter of the Association for Computational Linguistics (Demonstrations)},
  pages={54--59},
  year={2019}
}

如果您使用Flair嵌入的池化版本（PooledFlairEmbeddings），请引用以下论文：

@inproceedings{akbik2019naacl,
  title={Pooled Contextualized Embeddings for Named Entity Recognition},
  author={Akbik, Alan and Bergmann, Tanja and Vollgraf, Roland},
  booktitle = {{NAACL} 2019, 2019 Annual Conference of the North American Chapter of the Association for Computational Linguistics},
  pages     = {724–728},
  year      = {2019}
}

如果您使用我们的新“FLERT”模型或方法，请引用以下论文：

@misc{schweter2020flert,
    title={FLERT: Document-Level Features for Named Entity Recognition},
    author={Stefan Schweter and Alan Akbik},
    year={2020},
    eprint={2011.06993},
    archivePrefix={arXiv},
    primaryClass={cs.CL}

联系方式

请通过Alan Akbik的电子邮件发送您的问题或评论。

贡献

感谢您对贡献的兴趣！有许多方式可以参与其中；从我们的贡献指南开始，然后查看这些开放问题以获取具体的任务。

对于希望深入了解API的贡献者，我们建议克隆存储库并查看单元测试以获取调用方法的示例。几乎所有类和方法都有文档说明，因此希望您在代码中找到自己的方法不会太困难。

在本地运行单元测试

您需要Pipenv来完成此操作

pipenv install --dev && pipenv shell
pytest tests/

要运行集成测试，请执行

pytest --runintegration tests/

集成测试将训练小型模型。之后，将加载训练好的模型进行预测。

若要运行慢速测试，例如加载和使用flair提供的嵌入，请执行

pytest --runslow tests/

许可

MIT许可（MIT）

Flair根据以下MIT许可授权：MIT许可（MIT）版权所有 © 2018 Zalando SE，https://tech.zalando.com

特此授予任何人免费获取本软件和相关文档（“软件”）副本的许可，以无限制地处理软件，包括但不限于使用、复制、修改、合并、发布、分发、再许可和/或销售软件副本，并允许向软件提供者提供软件的人这样做，前提是遵守以下条件

上述版权声明和本许可声明应包含在软件的所有副本或主要部分中。

软件按“原样”提供，不提供任何形式的保证，无论是明示的还是暗示的，包括但不限于适销性、适用于特定目的和无侵权的保证。在任何情况下，作者或版权所有者均不对任何索赔、损害或其他责任负责，无论是由合同行为、侵权行为或其他行为引起的，不论与软件或软件的使用或其他操作有关。