NER系列之《如何在pytorch搭建的模型中引入CRF(条件随机场)》（pytorch-crf库）

crf可谓是NER任务小能手了，所以搞NER就得玩玩crf。

⭐torch官方tutorials部分提供的crf链接：点击进入，
 该链接里是结合了bi-lstm和crf的代码教程（适合学习CRF原理），不过我看了下这只支持CPU的。

⭐我使用的是pytorch-crf库，该crf可支持GPU加速处理（即支持批处理的数据）。
 pytorch-crf文档链接：点击进入。
 不过文档里的讲解较少，有些地方不太清楚。百度谷歌了一波发现该库的使用例子并没有，所以自己搭模型做了尝试，是可以使用的。

这里附上我写的一个完成NER任务的bi-lstm+crf模型（包含BERT，NEZHA, GlobalPointer等详细实现代码，谢谢各位帮忙仓库点个星星⭐⭐，后序我将继续更新一些常用的模型）
github地址：https://github.com/XFR1998/NER-Model

首先是实例化crf层：

import torch
from torchcrf import CRF
num_tags = 5  # NER数据集中
crf = CRF(num_tags=num_tags,
			batch_first=True)

用了批处理（padding）需要做mask:

 注意，若是用了批处理，需要做mask。因为每个批次你都有做padding的话，通过mask可以将这些padding的部分mask掉，预测（解码）最优序列时将不会对这些mask的部分做预测。
 一开始不太确定，就问了下作者应该是对应的mask位置是0还是1：

如文本为：“the dog is so cool ”
那mask向量（mask_tensor）就为：[1, 1, 1, 1, 0, 0]

有2个地方需要mask:

1.crf层的输出：
 因为crf的得分输出是正的，得分越高说明选出的最优标注序列路径有准，那我们可以将其取负，作为我们的损失函数进行反向传播：
 【其中的emissions参数指的是发射得分，比如我们可以在lstm层后输出每个token的特征，并将其出入一个全连接层（输出维度为标签数量），这样每个token对应一个关于各标签的得分分布，所有token构成的这个张量就是emissions了，主要也就将lstm和crf衔接了起来。如下图所示的结构。】

# 当然这个crf层可以写在模型中，在forward中计算返回损失即可
loss = crf(emissions=lstm_feats, 
		   tags=label_tensor, 
           mask=mask_tensor)
loss.backward()

2.crf的解码，解码出最优序列：
 这样解码出的out就是批次里每条文本对应的最优标注序列了。

out = self.crf.decode(emissions=lstm_feats,
					  mask=mask_tensor)