<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[foxcow2012的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/foxcow2012</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; foxcow2012]]></copyright><item><title><![CDATA[命名实体识别NER实战]]></title><link>https://blog.youkuaiyun.com/foxcow2012/article/details/92415576</link><guid>https://blog.youkuaiyun.com/foxcow2012/article/details/92415576</guid><author>foxcow2012</author><pubDate>Sun, 16 Jun 2019 18:22:14 +0800</pubDate><description><![CDATA[1，什么是命名实体识别
&nbsp;&nbsp;&nbsp;&nbsp;命名实体识别（Named Entity Recognition，简称NER）就是从一句话中找出相关的实体，并标识出其位置，实体的定义很广，可以是人名、机构、地点，根据业务需求也可以是性别、产品型号之类的。
例如：
刘媛媛同学被清华大学录取。
这里刘媛媛是一个人，清华大学是一个机构。
NER是NLP中一项基础性关键任务,对于其他...]]></description><category></category></item><item><title><![CDATA[BERT使用心得经验分享]]></title><link>https://blog.youkuaiyun.com/foxcow2012/article/details/91360636</link><guid>https://blog.youkuaiyun.com/foxcow2012/article/details/91360636</guid><author>foxcow2012</author><pubDate>Mon, 10 Jun 2019 09:33:45 +0800</pubDate><description><![CDATA[使用Bert有一段时间了，在项目中确实也能带来提升，这里总结下bert的使用心得。
#1，资源的使用
Bert在训练的过程确实很消耗资源。

上面是Bert模型在12G显存的显卡上，每轮的样本数和句子长度。
开始还担心Bert模型部署在客户的机器上能否正常运行。后面测试发现，如果没有太高的并发，其实在预测阶段对显存的消耗并不高，大概1-2G显存即可。
#2，模型速度
使用Bert模型一定要跑在GP...]]></description><category></category></item><item><title><![CDATA[BERT使用详解(实战)]]></title><link>https://blog.youkuaiyun.com/foxcow2012/article/details/87856557</link><guid>https://blog.youkuaiyun.com/foxcow2012/article/details/87856557</guid><author>foxcow2012</author><pubDate>Thu, 21 Feb 2019 10:42:32 +0800</pubDate><description><![CDATA[BERT模型，本质可以把其看做是新的word2Vec。对于现有的任务，只需把BERT的输出看做是word2vec，在其之上建立自己的模型即可了。
1，下载BERT

BERT-Base, Uncased: 12-layer, 768-hidden, 12-heads, 110M parameters
BERT-Large, Uncased: 24-layer, 1024-hidden, 16-he...]]></description><category></category></item></channel></rss>