AI-Mart

好的，感谢，我验证下。为了支持PaddleNlp我其实是用ernie-gram训练的分类模型是实体识别模型，但是部署上效率需要做优化，想到模型压缩，所以参考了这个ofa框架，但是目前这个框架只支持BERT，我也就把之前的预训练模型改成BERT重新训练了一遍分类模型和实体识别模型。 用其他的预训练模型，这个需要重新自定义forward函数感觉比较麻烦，毕竟自带的预训练模型这个forwar函数都是底层配置好了，希望后面这个框架能做成兼容就好了，可以在现有的框架下，替换个预训练模型改个名字就能跑起来。

> OCRv1～V3的Jetson部署demo都有，需要Jetpack4.6. 可以参考这个文档体验：https://github.com/PaddlePaddle/FastDeploy/blob/release/0.1.0/docs/Jetson-Linux-CPP-SDK-Inference.md 近期会发布v0.3，产品体验会升级。 大概什么时候发布v0.3呢？

第一手资料中文的话，优先国人学习

fastdeloy目前支持人脸姿态角的检测输出吗？

人脸检测和识别，最好把人脸姿态角也加上，把检测和识别的模型串联也加上，如果支持C++服务化部署的话，我到时候尝试下，比对下和python，sdk部署的性能差异，客户端代码都是python编写的

目前c++ sdk的方式调用，是不是客户端的代码都需要用C++重新写一遍？

感谢回复，因为涉及到批量的预测，这个串联的效率应该有很多的点需要考虑，可以集成以下

``` relation_dict = {'时间': ['交通工具', '地点', '行为', '接触者']} for subject_id in subject_id_list: if entity_map[subject_id]["label"] in relation_dict: for rel in relation_dict[entity_map[subject_id]["label"]]: prompt_new = entity_map[subject_id]["name"] + "的" + rel if prompt_new not...

你好，比如issue里面举的例子，假如某个时间主体，只有接触者的关系，其他的关系都为空，此时标注工具标注出来的结果只有接触者的关系样本，没有其他关系为空的负样本，此时应该额外通过代码增强，把为空的关系样本补上，如果不补上的话，当一段文本存在多个时间主体的时候，为空的这个时间主体，会从后面不为空的时间主体抽取出来其他关系，而实际情况是没有的，关系也就乱了

观点词可以当做一个实体来对待吧？如果弄成关系抽取的任务，实体之间不漏检的匹配，准确率应该能大幅度提升