hurricanedjp
hurricanedjp
@kiwighost 大佬，请问下你们用tf-serving做的服务，是跑在GPU上，调用耗时如何呢？ export save_model的代码可否分享下，O(∩_∩)O谢谢
> > > 层主，你的实验有效果么？我在此模型基础上修改做NER的相关实验，实验结果并不理想，请问一下，你的结果如何？可否讨论一下？ > > > > > > FastBERT目前不适合NER任务，因为NER中需要对每个字进行一次分类，一个句子中不同的字分类可能有不同的uncertainty, 那么一个句子究竟该走几层就不确定了。请问您是如何处理这个问题的？ > > uncertainty那里我求的是整体的得分，再求个平均（为了能跑通，这么处理的）。但是我发现蒸馏那里，好像并不适合NER,我求出来的标签全部变成了“O”标签。其他标签都出不来了。所以我并没有解决这个问题。QAQ!!!!!! 请问下，你NER蒸馏时loss收敛了么？我的没有收敛，一直到30多下不去了，看了下各层loss，1-6层的比较大（值在4-9之间），后面几层比较小。uncertainty处理和你一样的，speed设0.1，准确率64%，speed0.5， 准确率57%
并且label数值不一致的话，如何推理输出数值映射的标签呢
@xpxpx 普通的有监督训练，不同批次训练标签肯定都是一致的，任务也是一致，学习原始数据到相应目标标签（数值）的映射，不断迭代至收敛。这里不同批次各类别的数据绑定的label数值都不一样，如何学习对应的映射，而且还能收敛。。有点不太理解
@xpxpx 多谢回复，我可能大概理解你的意思。对于每一个选出来的类，模型都是在做query和类原型的匹配任务，并将这个任务的匹配度（或者匹配距离）映射到对应的label数值？ 我现在的理解是 对于每一次batch或迭代，选择不同的类，不同类别与固定顺序的label数值绑定，或者说不同类别与固定顺序的匹配任务绑定，这个匹配任务包括找类中心和计算匹配度。整个训练过程中，类别有可能和不同位置（不同label值）的匹配任务绑定，然后模型学习使得所有的类别在不同位置都能找到对应的类中心，并计算匹配？
@xpxpx 另外因为数据没有负样本，对于不属于数据集中类别的样本要建一个新类么，或者说负类（涵盖范围较广）。inference如何处理呢，对匹配度logits设个阈值么？当然这个我也看过，对于我自己的数据，模型虽然收敛，但logits数值比较大有点不好操作
@xpxpx https://mp.weixin.qq.com/s/fnR_-B0PEnSpnwDN9r6btg 清华刚放出了FewReal2，就是我说的不属于数据集中任一类别样本的情况了
最新的步骤试了下，可以生效，就是chrome extensions页面还是看到有类似上面的报错，不知道是否正常
另外，现在manifest v3的插件还是不能支持是吧，one tab就是。 那么后面如果其他插件都升级成v3了，是不是这种inject的方法都不能用了
你这个问题和我PC端云原神遇到的问题很像 #1313 都是传送点旁边有其他标志的时候，传送点会识别错误，说不存在。 可能你用实体客户端这个问题是偶现，我用云原神客户端是必现，日常委托一条龙都没法做…