模型介绍

LSTM：长短期记忆网络（Long-short-term-memory）,能够记住长句子的前后信息，解决了RNN的问题（时间间隔较大时，网络对前面的信息会遗忘，从而出现梯度消失问题，会形成长期依赖问题），避免长期依赖问题。

模型结构

遗忘门：控制上一个时刻的内部长期状态需要遗忘LSTM 知乎多少信息

输入门：控制当前时刻的候选长期状态有多少信息需要保留

输入门：控制当前时刻的内部长期状态有多少信息需要输出给外部

图1 LSTM 结构图1

 图1 LSTM 结构图2

这里的 σ 就是一个门，是 sigmoid 激活函数。

模型详解

知乎上的文章，里面有详细介绍 

LSTM BiLSTM 知乎

详解 LSTM 和 BiLSTM及代码实现

RNN&LSTM中的梯度消失问题 知乎

数据准备

数据集用的是论文【ACL 2018Chinese NER using Lattice LSTM】中从新浪财经收集的简历数据。每一句话用换行进行隔开。

模型准备

self.lstm = nn.LSTM(embedding_num, hidden_num, batch_first=True, bidirectional=bi)

    def forward(self, text, label=None):
        embedding = self.embedding(text)
        out, _ = self.lstm(embedding)
        pred = self.classifier(out)
        self.pred = torch.argmax(pred, dim=-1).reshape(-1)

        if label is not None:
            loss = self.loss(pred.reshape(-1, pred.shape[-1]), label.reshape(-1))
            return loss
        return torch.argmax(pred, dim=-1).reshape(-1)

模型预测 

 源码获取

GitHub

最后

以上就是大胆期待最近收集整理的关于深度学习-nlp系列（5）文本实体识别（LSTM）pytorch模型介绍模型结构模型详解数据准备模型准备模型预测  源码获取的全部内容，更多相关深度学习-nlp系列（5）文本实体识别（LSTM）pytorch模型介绍模型结构模型详解数据准备模型准备模型预测  源码获取内容请搜索靠谱客的其他文章。