一、torchcrf（他不是神经网络模型）
0. 应用场景和输入输出
0.1 应用场景
自然语言处理（NLP）:
- 词性标注（Part-of-Speech Tagging）: 标注文本中的每个单词属于哪一类词性（名词、动词、形容词等）。
- 命名实体识别（Named Entity Recognition, NER）: 识别文本中的专有名词，如人名、地点、组织名等。
- 句法分析（Syntactic Parsing）: 分析句子结构，确定单词之间的关系，如主谓宾结构。
- 文本分块（Chunking）: 将文本分割成有意义的块，如名词短语。
- 语义角色标注（Semantic Role Labeling）: 识别句子中谓词和其论元之间的关系。
0.2 输入
特征集合：特征集合是由一系列特征函数组成，每个特征函数用于提取观测序列中特定位置的信息。
观测序列：观测序列是CRF模型需要标注的数据序列。在自然语言处理中，这通常是一个句子，其中的每个词都是一个观测。
0.3 输出
观测序列的对应标签序列，例如：
- 在词性标注中，输出序列可能是每个词的词性标签序列。
- 在命名实体识别中，输出序列可能是每个词的实体类型标签序列，如人名、地点、组织等。
1.导入
1.1 常规范式
pip install pytorch-crf
from torchcrf import CRF
1.2 案例
import torch
import torch.nn as nn
from torchcrf import CRF
2.集成在神经网络模型
2.1 位置与要求
一般是在__init__函数中，需要为函数传入一个参数num_tags.
一般放在函数尾部，作为最后一层输出层，使用
self.crf = CRF()
实例化对象。
2.2 参数
args.num_labels：模型输出的标签种类数，也是CRF层的标签数量。
batch_first = True:决定了数据以什么样的格式输入给CRF层，如果是true，则数据输入形状应该是(batch_size, seq_length, input_size)，否则则是( seq_length, batch_size,input_size)
3.实例化对象的属性和方法
| 方法名 | 作用 | 参数 | 参数解释 |
|---|---|---|---|
self.crf(） | 计算得到的损失值，这是一个标量,一般取它的负值。 | seq_out,labels | seq_out: 标签的数量。labels: 真实标签，至少要拿这两个参数进行损失函数计算。 |
forward | 前向传播，用于计算损失或进行解码。 | emissions, tags, mask | emissions: 发射分数。tags: 真实标签（可选）。mask: 掩码，指示哪些位置的标签应该被计算。 |
decode | 解码发射分数以预测标签序列。 | emissions, mask | emissions: 发射分数。mask: 掩码。 |
log_likelihood | 计算给定发射分数和真实标签的对数似然。 | emissions, tags, mask | emissions: 发射分数。tags: 真实标签。mask: 掩码。 |
reset_parameters | 重置CRF层的参数。 | 无 | 无 |
