实现说明

主要实现文章前半部分的工作，PyTorch实现，基于huggingface的工作，PyTorch才是世界上最屌的框架，逃。

实现参考

代码说明

（1）主要修改：modeling.py

output representation: BertForSequenceClassification

input representation: BertEmbeddings

input和output都实现了多种策略，可以结合具体的任务，找到最佳的组合。

（2）非主要实现：examples下的关于classification的文件

（3）服务部署：基于Flask，可以在本地开启一个服务。具体实现在tacred_run_infer.py中。

（4）代码仅供参考，不提供数据集，不提供预训练模型，不提供训练后的模型（希望理解吧）。

（5）相关工作可以参考我的博客-神经关系抽取，可能比这个代码更有价值一些吧。

实现结果：

 数据集TACRED上的结果：

模型序号	输入类型	输出类型	指标类型	P	R	F1	备注
0	entity marker	sum(entity start)	micro	0.68	0.63	0.65	base-model,lr=3e-5,epoch=3
			macro	0.60	0.54	0.55
1	entity marker	sum(entity start)	micro	0.70	0.62	0.65	large-model,lr=3e-5,epoch=1
			macro	0.63	0.52	0.55
-1	None	None	micro	0.69	0.66	0.67	手误之后，再也找不到了，尴尬
			macro	0.58	0.50	0.53

数据集SemEval2010 Task 8上的结果：

模型序号	输入类型	输出类型	指标类型	P	R	F1	备注
0	entity marker	maxpool(entity emb)+relu	micro	0.86	0.86	0.86	bert-large
			macro	0.82	0.83	0.82

混合精度加速结果

在具体任务上，延续之前的setting，将train和dev合并共同作为新的train集，test集不变。在fp32 和fp16的两种setting下，比较相同batch_size下，一个epoch的用时或者每个迭代的用时。

比较方面	fp32	fp16	备注
训练阶段	1.04it/s	4.41it/s	12.76it/s（独占显卡）
推断阶段	4.14it/s	8.63it/s
测试集指标	0.65/0.55	0.64/0.53	格式：micro/macro
模型大小	421M	212M