PyTorch中CRF层

注：本篇文章假设你已经看过CRF(条件随机场)与Viterbi(维特比)算法原理详解
（侵权则删），但是对Pytorch的Tutorials中BiLSTM-CRF中关于CRF的代码还有些许的疑惑。

代码分析

假设有句子 “ 我爱饭 ”

• 句子经过分词，得到 “我”、“爱”、“饭” 这三个词（意思是句子的长度为3）
• 标签集合={‘START’ 、'N 、 ‘V’、‘END’}，START、END表示开始结束标签，N表示名词，V表示动词。

在上述前提下执行一遍代码。

一、train代码

loss的计算方法为neg_log_likelihood()，我们跳转到该方法。

二、neg_log_likelihood（）

1. 第一行代码：在输入句子 “我爱饭” 的情况下，经过_get_lstm_features()方法可以得到一个(3*4)的tensor，分别表示“我”、“爱”、“饭” 对于{START，N，V，END}标签的可能性。
   如feats[‘爱’][N]=0.2，表示词语 ‘爱’ 的标签是N的分数为0.2，然后将feats传给_forward_alg，接下来我们看farward_alg是如何计算所有路径的分数的。
   

三、 _forward_alg（）

首先看一下CRF求解所有路径分数之和的动态规划的算法

• score [ x ] [ y ] ：句子从起始位置到位置 x ，且位置x是标签 y 的分数。
  如score [“爱”][N]就是说句子 “我爱” 且“爱”是标签N的所有路径的分数和，这就包括了四条路径的分数，如下
  （START，N）（N，N）（V，N）（END，N）
• emit [ x ] [ i ]：位置x是标签 i 的分数，emit [“爱”] [N]，表示“爱”是标签N的分数
• trans [ i ] [ y ]：从标签 i 到标签y 的分数，即当前标签为y而上一标签是i 的分数。
  如trans [N][START] = -10000,表示当前标签为START，而上一标签为N的分数为-10000，也就是说START上一个标签几乎不可能是N。
  回到代码，逐步说明：

1. 第一层循环，for feat in feats：
   得到的feat是某个位置的所有标签的可能性。
   第一次进入该循环时，feat就是 “我” 对应的标签可能性，即feat=[0.1，0.5，0.3，0.1]，表示 ‘我’ 是START、N、V、END的分数分别为0.1、0.5、0.3、0.1，分数越大，则对应标签的可能性越大。
2. 第二层循环，for next_tag in feats
   第一次进入该循环时，该层的目的是得到 ‘我’ 是标签next_tag的所有分数，刚进入第二层循环时，next_tag是0，也就是START标签，表明我们在这次循环中求到的是“我” 是 START的分数。
3. 回到代码，首先求的是“我” 是标签 START的分数。

• forward_var 初始化为[ 0，-10000，-10000，-10000，-10000 ]，因为我们的每个句子的开头有一个独立的START标签，所以句首 “我” 的上一个位置是START、N、V、END的分数分别为 0，-10000，-10000，-10000，相当于式子中的score [x-1] [ i ]，i∈tagset。
• emit_score得到的是"我"是标签START的分数，也就是式子中的emit[ “我” ] [ START ]
• trans_score 得到的是其他标签转化为START的分数，也就是式子中的trans[ START ][ i ]，i∈tagset
  

最后得到的next_tag_var 就是[a, b, c, d ]，简单的理解可以是a+b+c+d就是当前路径的分数，但是代码中使用了log_sum_exp对[a, b, c, d]进行了处理。