yhcc

现在好了，之前下载服务器出了点问题～

非常抱歉，这个问题目前解决起来比较麻烦。目前可能最好的办法就是不要使用no_create_entry_dataset, 对于上线的模型来说，这个参数实际上没有什么意义。

可能有点困难，flair embedding感觉在效率上有一些吃亏。感谢你的提醒，我们最近研究下最新的flair是否有可能融合进来。

我们在18年启动fastNLP的时候，参考了很多优秀的NLP开源框架，当然也包括了allennlp。在数据集的设计上，由于使用的方便性，大部分NLP框架都采用了这种tubular的设计方式，但总体来说，fastNLP的设计更偏向于将DataSet作为一个用户可以自由发挥的容器，而allennlp则更偏向于将DataSet做为一种开箱即用的工具。近一两年，由于数据集规模的扩大，也有一些更加开源框架会采用更加高效的方式管理数据集，例如PyArrow等，fastNLP目前也有支持这类方式的计划。 allennlp对比fastNLP是有以下非常明显的优势的 （1）allennlp实现的模型非常多（现移动到了allennlp-models下面），并且有比较好的开箱即用的API可以调用。（不过这一些model基本都需要按照allennlp的方式调用，并且基本都是英文为主的，中文的话应该也不能完全开箱即用） （2）充分考虑了predict需求，allennlp实现了不少用模型的开箱即用的predict方法。（不过这些模型与处理方式多是用在英文上的，可能也并不能直接使用到中文上来） （3）allennlp实现了通过配置文件启动，这种方式在工业界场景下，应该还是有一定优势的。（不过配置文件使用带来的弊端就是可能用户并不了解其中的细节，当这个可能也可以算成优点，即用户可以不关心具体技术细节） （4）allennlp的社区明显还是要大于fastNLP的，因此代码的健壮性、相关周边配套包会比fastNLP好很多。（fastNLP由于一直缺少来自于大量用户，特别是工业界用户的真实需求，所以整个迭代速度还是比allennlp慢了很多） 但我自己做为开发者，我还是更倾向于使用fastNLP一些，理由如下 （1）allennlp的包有着非常优秀的软件设计，但这种设计也使得充分阅读并改动allennlp变得比较困难，这种感觉在您阅读allennlp的代码之后应该会有一定的感受。相较而言，fastNLP则希望让一切都简单一些，尽量避免太多层的抽象，阅读和修改起来会比较容易。 （2）fastNLP的各个部分相对耦合较轻，数据处理可以单独用来实现index、padding等（可以不使用fastNLP的训练组件等）、训练Trainer可以使用非fastNLP的数据处理或模型（不过可能需要实现特定的Metric），allennnlp相对来说这些部件的耦合更紧一些，基本是全套都需要使用allennlp。 （3）最重要的优点大概是fastNLP是中文文档，中文注释，开发者也可以完全使用中文交流。allennlp尽管非常强大，但是如果没有充分阅读其代码以及文档（全部都是英文的，对从业者英语要求还是不低的），实际上很多功能也无法比较清楚地理解。 最后，邱锡鹏老师做为fastNLP的发起人，应该还会在NLP行业从业很多年，所以fastNLP在未来很长一段时间都会得到邱老师的继续支持。非常欢迎你们加入我们，和我们一起把中文社区的NLP框架做得更好。

抱歉，这是一个错误的文档说明。 目前只能通过自己写一下读取embedding的方式，我们最近会开发一下直接读取整个embedding的代码。

从报错来看是由于网络中存在ReLu，并且在设置了其inplace=True，你可以检查下网络中有这个问题么？另外，在device='cpu'的情况下可以运行嘛？或者报错是什么，有可能cuda场景下，真正出错的地方不是raise的地方。

CheckPointCallback不是实现将自己存储的model进行继续训练的，CheckPointCallback是需要在第一次运行的时候就加入到callback中，假设训练过程意外退出，可以直接重新run整个代码，CheckPointCallback会去加载保存的Checkpointer。在你的场景下，你可以直接load这个best_BiLSTMCRF_f_2021-07-06-12-14-12-018221模型，然后放入到trainer中继续train就好了。

我们目前没有直接分词的参考例子，我们之后补充一下。分词的话，推荐我们开发的fastHan www.github.com/fastnlp/fastHan .

推荐使用读取一条处理一条的方式吧。不过这种方式目前我们的pipe还不支持，需要您参考相应代码自己实现一下。

evaluate一直为0这个，建议你先只用10个sample（请保证这10个中一定至少包含一个entity哈，否则F1用于都是0），然后在这个10个上train，也在这10个上evaluate，看看能不能overfit这10个数据。同一个字符每次不一样，应该是由于dropout的原因，通过module.eval()设置成evaluate模式关掉dropout应该就是一致的了。