Pytorch 給出的命名體識別（NER）的小例子，簡潔清晰，深入原理及實現細節，比較適合想深入學習又沒有好的入門途徑的同學。不過他過於簡潔，一些理論背景沒有介紹，對於咱們這些，在門口晃悠的渣渣掌握起來還是有點兒費勁。
所以，本文打算總結自己的學習過程，從原理到代碼，走一遍這個小例子，算是摸着石頭入門吧~
outline：
- 這個模型的用途
- 模型的結構
- 幾個關鍵代碼的原理
1、模型用途
輸入是一句話，或者更嚴謹一點說是一個多個詞（單詞）組成的自然序列，然後這個模型其中的實體（比如人名，地名，組織機構名等）識別出來。
比如輸入：我愛北京
模型給出標記：O O B-LOC I-LOC
| 我 | O | 其他 |
| 愛 | O | 其他 |
| 北 | B-LOC | 地點實體開始 |
| 京 | I-LOC | 地點實體內部 |
這裏只是拿地點實體舉個例子，實際應用中，可以標記出任何你想識別的東西，前提是，語料中已經有標記好的訓練數據。順便多說兩句，現在（2020年）NER方面最先進的模型都會結合預訓練模型，不過這個經典模型任然在其中扮演着一些角色。
2、模型的結構
上邊是兩個圖，左邊黑白圖，右邊彩色圖。
簡單來說，模型分爲三層，如黑白圖的大括號標出來的那樣：
詞向量輸入層
原始輸入的句子，屬於非結構化數據，需要變成結構化數據輸入模型。此處的變換方式是給每個字隨機編號，再利用pytorch自帶的Embedding 方法映射成 embedding_dim 維的向量。
| 我 | 0 | [e_1, e_2, ..., e_n] |
| 愛 | 1 | [e_1, e_2, ..., e_n] |
|
北 |
2 | [e_1, e_2, ..., e_n] |
| 京 | 3 | [e_1, e_2, ..., e_n] |
實際中，會用預訓練好的詞向量表，每個輸入字的詞向量，從詞向量表中查詢得到。
Bi-LSTM 層
雙向LSTM層，主要用來提取輸入數據的特徵。因爲包括Pytorch在內的框架，已經完美封裝了，交給我們的只剩下弄清楚輸入、輸出，更具體點可能是，輸入、輸出的維度。
能看見的大多博客、知乎裏，對這個結構的解釋就兩點：1、能編碼序列輸入的雙向信息；2、一堆三個門控制的公式。雖然用的一個比一個666，但是都沒有解釋清楚其中原理。
或許是像我一樣，功利性的放棄深入探尋，繼續追逐新的模型。
CRF 層
（先保存，後續繼續寫。。。2020-5-20）
（有想急於瞭解的部分，歡迎在評論裏留言~）