【导读】现代的NLP研究工作都是需要编写代码。 良好的代码可以实现快速的原型设计，简单的代码调试，实验的可控性和可视化，帮助研究人员快速准确地了解
实验和模型的具体情况。而糟糕的代码往往导致拖慢研究进度，研究难以扩展，研究结果难以复现，最严重的是出现错误的研究和结论。实际上，现在研究人员也逐渐认识到好的研究工具，包括高质量的实验代码，对研究的重要性，那么如何为NLP任务写出良好的代码呢? EMNLP2018 254 页的《为NLP研究写出好代码》(Writing Code for NLP Research)的教程会给出答案。
该教程，借鉴了最近发布的基于PyTorch的深度学习NLP研究库AllenNLP的代码，旨在分享编写NLP研究代码的良好实践经验。教程中将使用AllenNLP中实现的NLP模型作为示例，解释具有正确抽象化和组件化的库如何实现更好的代码和研究。通过该教程，你将学习如何编写NLP研究实验代码，如何设计和简单化实验代码，从而推进研究，产出好的研究成果。
教程目录：
1. 在原型设计时如何编写代买（How to write code whenprototyping）
2. 构建良好的代码流程（Developing good processes）
3. 如何为NLP研究编写可复用的代码（How to write reusable codefor NLP）
4. 案例分析：词性标注器（Case Study：A Part-of-SpeechTagger）
5. 分享你的研究（Share your research）
请关注专知公众号（扫描下方二维码，或点击上方蓝色专知）
- 后台回复“WCNR” 就可以获取 最新PDF下载链接~
-END-