<p>非死book AI Research（FAIR）<a href="/misc/goto?guid=5047997752927214840">开源了 NLP 建模框架 PyText</a>。</p>    <p style="text-align:center"><img alt="非死book开源NLP建模框架PyText，从研究到生产变得更容易" src="https://simg.open-open.com/show/8d5bcd327d44a4508e0ee2d1c0e7dc12.png" width="888" height="351" /></p>    <p>PyText 是一个基于 PyTorch 构建的深度学习 NLP 建模框架。PyText 通过为模型组件提供简单且可扩展的接口和抽象，以及使用 PyTorch 的 Caffe2 执行引擎导出模型进行推理的功能，模糊了实验与大规模部署之间的界限。其预训练模型包括文本分类、序列标注等。</p>    <p>PyTorch 是一个统一的框架，缩短了从研究到生产的路径，而基于 PyTorch 的 PyText 则着眼于满足 NLP 建模的特定需求。</p>    <p>核心特性：</p>    <p>适用于各种 NLP/NLU 任务的生产就绪模型</p>    <p>文本分类</p>    <ul>     <li> <p><a href="/misc/goto?guid=5047997753094065906">Yoon Kim (2014): Convolutional Neural Networks for Sentence Classification</a></p> </li>     <li> <p><a href="/misc/goto?guid=5047997753210854455">Lin et al. (2017): A Structured Self-attentive Sentence Embedding</a></p> </li>    </ul>    <p>序列标注</p>    <ul>     <li> <p><a href="/misc/goto?guid=5047997753330783745">Lample et al. (2016): Neural Architectures for Named Entity Recognition</a></p> </li>    </ul>    <p>联合意图时隙模型（Joint intent-slot model）</p>    <ul>     <li> <p><a href="/misc/goto?guid=5047997753445619813">Zhang et al. (2016): A Joint Model of Intent Determination and Slot Filling for Spoken Language Understanding</a></p> </li>    </ul>    <p>上下文意图-时隙模型（Contextual intent-slot models）</p>    <p>支持在 PyTorch 1.0 中基于新 C10d 后端构建的分布式训练</p>    <p>可扩展组件，可轻松创建新模型和任务</p>    <p>参考实现和预训练模型论文：<a href="/misc/goto?guid=5047997753538846813">Gupta et al. (2018): Semantic Parsing for Task Oriented Dialog using Hierarchical Representations</a></p>    <p>支持联合训练</p>    <p>项目地址：<a href="/misc/goto?guid=5047997753632847319">https://github.com/非死bookresearch/pytext</a></p>    <p>了解更多：<a href="/misc/goto?guid=5047997752927214840">https://code.fb.com/ai-research/pytext-open-source-nlp-framework/</a></p>