LTP
/

base2

Transformers

PyTorch

Model card Files Files and versions

xet

Community

LTP/base2

by LiShuchao - opened Aug 17, 2022

base: refs/heads/main

←

from: refs/pr/1

Discussion Files changed

-160

Files changed (1) hide show

README.md +3 -160

README.md CHANGED Viewed

@@ -1,160 +1,3 @@
-![CODE SIZE](https://img.shields.io/github/languages/code-size/HIT-SCIR/ltp)
-![CONTRIBUTORS](https://img.shields.io/github/contributors/HIT-SCIR/ltp)
-![LAST COMMIT](https://img.shields.io/github/last-commit/HIT-SCIR/ltp)
-| Language                             | version                                                                                                                                                                                                                                                                                                                   |
-| ------------------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
-| [Python](python/interface/README.md) | [![LTP](https://img.shields.io/pypi/v/ltp?label=LTP)](https://pypi.org/project/ltp) [![LTP-Core](https://img.shields.io/pypi/v/ltp-core?label=LTP-Core)](https://pypi.org/project/ltp-core)   [![LTP-Extension](https://img.shields.io/pypi/v/ltp-extension?label=LTP-Extension)](https://pypi.org/project/ltp-extension) |
-| [Rust](rust/ltp/README.md)           | [![LTP](https://img.shields.io/crates/v/ltp?label=LTP)](https://crates.io/crates/ltp)                                                                                                                                                                                                                                     |
-# LTP 4
-LTP（Language Technology Platform） 提供了一系列中文自然语言处理工具，用户可以使用这些工具对于中文文本进行分词、词性标注、句法分析等等工作。
-## 引用
-如果您在工作中使用了 LTP，您可以引用这篇论文
-```bibtex
-@article{che2020n,
-  title={N-LTP: A Open-source Neural Chinese Language Technology Platform with Pretrained Models},
-  author={Che, Wanxiang and Feng, Yunlong and Qin, Libo and Liu, Ting},
-  journal={arXiv preprint arXiv:2009.11616},
-  year={2020}
-}
-```
-**参考书：**
-由哈工大社会计算与信息检索研究中心（HIT-SCIR）的多位学者共同编著的《[自然语言处理：基于预训练模型的方法](https://item.jd.com/13344628.html)
-》（作者：车万翔、郭江、崔一鸣；主审：刘挺）一书现已正式出版，该书重点介绍了新的基于预训练模型的自然语言处理技术，包括基础知识、预训练词向量和预训练模型三大部分，可供广大LTP用户学习参考。
-### 更新说明
-- 4.2.0
-  - \[结构性变化\] 将 LTP 拆分成 2 个部分，维护和训练更方便，结构更清晰
-    - \[Legacy 模型\] 针对广大用户对于**推理速度**的需求，使用 Rust 重写了基于感知机的算法，准确率与 LTP3 版本相当，速度则是 LTP v3 的 **3.55** 倍，开启多线程更可获得 **17.17** 倍的速度提升，但目前仅支持分词、词性、命名实体三大任务
-    - \[深度学习模型\] 即基于 PyTorch 实现的深度学习模型，支持全部的6大任务（分词/词性/命名实体/语义角色/依存句法/语义依存）
-  - \[其他改进\] 改进了模型训练方法
-    - \[共同\] 提供了训练脚本和训练样例，使得用户能够更方便地使用私有的数据，自行训练个性化的模型
-    - \[深度学习模型\] 采用 hydra 对训练过程进行配置，方便广大用户修改模型训练参数以及对 LTP 进行扩展（比如使用其他包中的 Module）
-  - \[其他变化\] 分词、依存句法分析 (Eisner) 和 语义依存分析 (Eisner) 任务的解码算法使用 Rust 实现，速度更快
-  - \[新特性\] 模型上传至 [Huggingface Hub](https://huggingface.co/LTP)，支持自动下载，下载速度更快，并且支持用户自行上传自己训练的模型供LTP进行推理使用
-  - \[破坏性变更\] 改用 Pipeline API 进行推理，方便后续进行更深入的性能优化（如SDP和SDPG很大一部分是重叠的，重用可以加快推理速度），使用说明参见[Github快速使用部分](https://github.com/hit-scir/ltp)
-- 4.1.0
-  - 提供了自定义分词等功能
-  - 修复了一些bug
-- 4.0.0
-  - 基于Pytorch 开发，原生 Python 接口
-  - 可根据需要自由选择不同速度和指标的模型
-  - 分词、词性、命名实体、依存句法、语义角色、语义依存6大任务
-## 快速使用
-### [Python](python/interface/README.md)
-```bash
-pip install -U ltp ltp-core ltp-extension -i https://pypi.org/simple # 安装 ltp
-```
-**注：** 如果遇到任何错误，请尝试使用上述命令重新安装 ltp，如果依然报错，请在 Github issues 中反馈。
-```python
-import torch
-from ltp import LTP
-ltp = LTP("LTP/small")  # 默认加载 Small 模型
-# 将模型移动到 GPU 上
-if torch.cuda.is_available():
-    # ltp.cuda()
-    ltp.to("cuda")
-output = ltp.pipeline(["他叫汤姆去拿外衣。"], tasks=["cws", "pos", "ner", "srl", "dep", "sdp"])
-# 使用字典格式作为返回结果
-print(output.cws)  # print(output[0]) / print(output['cws']) # 也可以使用下标访问
-print(output.pos)
-print(output.sdp)
-# 使用感知机算法实现的分词、词性和命名实体识别，速度比较快，但是精度略低
-ltp = LTP("LTP/legacy")
-# cws, pos, ner = ltp.pipeline(["他叫汤姆去拿外衣。"], tasks=["cws", "ner"]).to_tuple() # error: NER 需要 词性标注任务的结果
-cws, pos, ner = ltp.pipeline(["他叫汤姆去拿外衣。"], tasks=["cws", "pos", "ner"]).to_tuple()  # to tuple 可以自动转换为元组格式
-# 使用元组格式作为返回结果
-print(cws, pos, ner)
-```
-**[详细说明](python/interface/docs/quickstart.rst)**
-### [Rust](rust/ltp/README.md)
-```rust
-use std::fs::File;
-use itertools::multizip;
-use ltp::{CWSModel, POSModel, NERModel, ModelSerde, Format, Codec};
-fn main() -> Result<(), Box<dyn std::error::Error>> {
-  let file = File::open("data/legacy-models/cws_model.bin")?;
-  let cws: CWSModel = ModelSerde::load(file, Format::AVRO(Codec::Deflate))?;
-  let file = File::open("data/legacy-models/pos_model.bin")?;
-  let pos: POSModel = ModelSerde::load(file, Format::AVRO(Codec::Deflate))?;
-  let file = File::open("data/legacy-models/ner_model.bin")?;
-  let ner: NERModel = ModelSerde::load(file, Format::AVRO(Codec::Deflate))?;
-  let words = cws.predict("他叫汤姆去拿外衣。")?;
-  let pos = pos.predict(&words)?;
-  let ner = ner.predict((&words, &pos))?;
-  for (w, p, n) in multizip((words, pos, ner)) {
-    println!("{}/{}/{}", w, p, n);
-  }
-  Ok(())
-}
-```
-## 模型性能以及下载地址
-|                  深度学习模型                   |  分词   |  词性   | 命名实体  | 语义角色  | 依存句法  | 语义依存  | 速度(句/S) |
-| :---------------------------------------: | :---: | :---: | :---: | :---: | :---: | :---: | :-----: |
-|  [Base](https://huggingface.co/LTP/base)  | 98.7  | 98.5  | 95.4  | 80.6  | 89.5  | 75.2  |  39.12  |
-| [Base1](https://huggingface.co/LTP/base1) | 99.22 | 98.73 | 96.39 | 79.28 | 89.57 | 76.57 |  --.--  |
-| [Base2](https://huggingface.co/LTP/base2) | 99.18 | 98.69 | 95.97 | 79.49 | 90.19 | 76.62 |  --.--  |
-| [Small](https://huggingface.co/LTP/small) | 98.4  | 98.2  | 94.3  | 78.4  | 88.3  | 74.7  |  43.13  |
-|  [Tiny](https://huggingface.co/LTP/tiny)  | 96.8  | 97.1  | 91.6  | 70.9  | 83.8  | 70.1  |  53.22  |
-|                    感知机算法                    |  分词   |  词性   | 命名实体  | 速度(句/s)  |             备注             |
-| :-----------------------------------------: | :---: | :---: | :---: | :------: | :------------------------: |
-| [Legacy](https://huggingface.co/LTP/legacy) | 97.93 | 98.41 | 94.28 | 21581.48 | [性能详情](rust/ltp/README.md) |
-**注：感知机算法速度为开启16线程速度**
-## 构建 Wheel 包
-```shell script
-make bdist
-```
-## 其他语言绑定
-**感知机算法**
-- [Rust](rust/ltp)
-- [C/C++](rust/ltp-cffi)
-**深度学习算法**
-- [Rust](https://github.com/HIT-SCIR/libltp/tree/master/ltp-rs)
-- [C++](https://github.com/HIT-SCIR/libltp/tree/master/ltp-cpp)
-- [Java](https://github.com/HIT-SCIR/libltp/tree/master/ltp-java)
-## 作者信息
-- 冯云龙 \<\<[ylfeng@ir.hit.edu.cn](mailto:ylfeng@ir.hit.edu.cn)>>
-## 开源协议
-1. 语言技术平台面向国内外大学、中科院各研究所以及个人研究者免费开放源代码，但如上述机构和个人将该平台用于商业目的（如企业合作项目等）则需要付费。
-2. 除上述机构以外的企事业单位，如申请使用该平台，需付费。
-3. 凡涉及付费问题，请发邮件到 car@ir.hit.edu.cn 洽商。
-4. 如果您在 LTP 基础上发表论文或取得科研成果，请您在发表论文和申报成果时声明“使用了哈工大社会计算与信息检索研究中心研制的语言技术平台（LTP）”.
-   同时，发信给car@ir.hit.edu.cn，说明发表论文或申报成果的题目、出处等。

+---
+license: other
+---