[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-bojone--bert_in_keras":3,"tool-bojone--bert_in_keras":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":79,"difficulty_score":10,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":98,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":142},1297,"bojone\u002Fbert_in_keras","bert_in_keras","在Keras下微调Bert的一些例子；some examples of bert in keras","bert_in_keras 把 Google 的 BERT 预训练模型“翻译”成了最简洁的 Keras 调用方式，让你只需几行代码就能在中文文本上做情感分析、关系抽取、主体抽取、NL2SQL 等常见任务。它解决了“想用 BERT 却不想折腾底层 TensorFlow”的痛点：直接继承 Keras 的 fit\u002Fpredict 流程，加载哈工大或官方中文权重即可开训。适合已经熟悉 Keras、对 NLP 有半年以上经验的开发者或研究人员快速验证想法；如果你刚入门，建议先补 NLP 与 Keras 基础。亮点是代码极短、示例齐全，且兼容 Python 2.7 + TF 1.13 + Keras 2.2.4 的老环境，让旧项目也能无痛接入 BERT。","# bert_in_keras\n用Keras来调用Bert，这可能是最简单的Bert打开姿势。\n\n##\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Fsentiment.py\">sentiment.py\u003C\u002Fa>：情感分析例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736#%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB\">这里\u003C\u002Fa>。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Frelation_extract.py\">relation_extract.py\u003C\u002Fa>：关系抽取例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736#%E5%85%B3%E7%B3%BB%E6%8A%BD%E5%8F%96\">这里\u003C\u002Fa>。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Fsubject_extract.py\">subject_extract.py\u003C\u002Fa>：主体抽取例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736#%E4%BA%8B%E4%BB%B6%E4%B8%BB%E4%BD%93%E6%8A%BD%E5%8F%96\">这里\u003C\u002Fa>。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Fnl2sql_baseline.py\">nl2sql_baseline.py\u003C\u002Fa>：NL2SQL例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6771\">这里\u003C\u002Fa>。\n\n## 详细介绍\n- https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736\n- https:\u002F\u002Fkexue.fm\u002Farchives\u002F6771\n\n## 测试环境\npython 2.7 + tensorflow 1.13 + keras 2.2.4\n\n## keras_bert\n- https:\u002F\u002Fgithub.com\u002FCyberZHG\u002Fkeras-bert\n\n## 中文版权重\n- 官方版： https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert\n- 哈工大版： https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm\n\n## 严正声明\n- 不欢迎任何NLP和Keras文盲来跑此代码！！你都要玩Bert了，我认为你学习NLP的时间好歹要在半年以上，你学习Keras的时间好歹要一周以上。别想着一蹴而就，不欢迎只想调包跑通的人，不要用任何“我时间紧”的借口。\n- Keras是简单，不代表不需要学NLP，不代表不需要学Keras，不代表就可以不经大脑。一句话，请尊重你自己的智商。\n\n## 在线交流\nQQ交流群：67729435，微信群请加机器人微信号spaces_ac_cn\n","# bert_in_keras\n用Keras来调用Bert，这可能是最简单的Bert打开姿势。\n\n##\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Fsentiment.py\">sentiment.py\u003C\u002Fa>：情感分析例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736#%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB\">这里\u003C\u002Fa>。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Frelation_extract.py\">relation_extract.py\u003C\u002Fa>：关系抽取例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736#%E5%85%B3%E7%B3%BB%E6%8A%BD%E5%8F%96\">这里\u003C\u002Fa>。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Fsubject_extract.py\">subject_extract.py\u003C\u002Fa>：主体抽取例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736#%E4%BA%8B%E4%BB%B6%E4%B8%BB%E4%BD%93%E6%8A%BD%E5%8F%96\">这里\u003C\u002Fa>。\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fblob\u002Fmaster\u002Fnl2sql_baseline.py\">nl2sql_baseline.py\u003C\u002Fa>：NL2SQL例子，详细请看\u003Ca href=\"https:\u002F\u002Fkexue.fm\u002Farchives\u002F6771\">这里\u003C\u002Fa>。\n\n## 详细介绍\n- https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736\n- https:\u002F\u002Fkexue.fm\u002Farchives\u002F6771\n\n## 测试环境\npython 2.7 + tensorflow 1.13 + keras 2.2.4\n\n## keras_bert\n- https:\u002F\u002Fgithub.com\u002FCyberZHG\u002Fkeras-bert\n\n## 中文版权重\n- 官方版： https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert\n- 哈工大版： https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm\n\n## 严正声明\n- 不欢迎任何NLP和Keras文盲来跑此代码！！你都要玩Bert了，我认为你学习NLP的时间好歹要在半年以上，你学习Keras的时间好歹要一周以上。别想着一蹴而就，不欢迎只想调包跑通的人，不要用任何“我时间紧”的借口。\n- Keras是简单，不代表不需要学NLP，不代表不需要学Keras，不代表就可以不经大脑。一句话，请尊重你自己的智商。\n\n## 在线交流\nQQ交流群：67729435，微信群请加机器人微信号spaces_ac_cn","# bert_in_keras 快速上手指南\n\n## 环境准备\n- **系统**：Linux \u002F macOS \u002F Windows（推荐 Linux）\n- **Python**：2.7（官方测试版本）\n- **TensorFlow**：1.13\n- **Keras**：2.2.4\n- **GPU**：可选，但强烈建议 CUDA 10.0 + cuDNN 7.4\n\n> 若使用国内镜像，可提前配置清华\u002F阿里 PyPI 源加速依赖下载。\n\n## 安装步骤\n1. 克隆仓库  \n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras.git\n   cd bert_in_keras\n   ```\n\n2. 安装依赖  \n   ```bash\n   pip install tensorflow==1.13.1 keras==2.2.4\n   pip install keras-bert==0.81.0  # 或 pip install -U keras-bert\n   ```\n\n3. 下载中文预训练权重（任选其一）  \n   - 官方版  \n     ```bash\n     wget https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_03\u002Fchinese_L-12_H-768_A-12.zip\n     unzip chinese_L-12_H-768_A-12.zip\n     ```\n   - 哈工大版（推荐，全词 Mask）  \n     ```bash\n     git clone https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm.git\n     # 使用其中的 chinese_wwm_L-12_H-768_A-12 目录\n     ```\n\n## 基本使用\n以情感分析为例，最快跑通流程：\n\n1. 准备数据  \n   将文本与标签整理成 `train.tsv` \u002F `dev.tsv`（两列：text\\tlabel）。\n\n2. 修改配置  \n   打开 `sentiment.py`，把  \n   ```python\n   config_path = 'chinese_L-12_H-768_A-12\u002Fbert_config.json'\n   checkpoint_path = 'chinese_L-12_H-768_A-12\u002Fbert_model.ckpt'\n   dict_path = 'chinese_L-12_H-768_A-12\u002Fvocab.txt'\n   ```  \n   改成你下载的权重路径。\n\n3. 启动训练  \n   ```bash\n   python sentiment.py\n   ```\n   默认 3 个 epoch 后即可在 `dev.tsv` 上验证效果。\n\n> 其余任务（关系抽取、主体抽取、NL2SQL）同理，直接运行对应脚本即可。","一家 8 人规模的初创电商客服 SaaS 团队，需要在两周内上线“买家评价情感监控”功能，帮助商家实时发现差评并预警。\n\n### 没有 bert_in_keras 时\n- 从零搭环境：先装 transformers、tf2.x，再改 Tokenizer、写自定义训练循环，光是跑通中文 BERT 就花了 3 天。\n- 数据格式折腾：要把 5 万条评价转成 TFRecord，写脚本对齐长度、mask、segment，调试报错不断。\n- GPU 显存爆炸：一张 8 GB 卡一次只能 batch_size=4，训练 5 epoch 要 6 小时，迭代一次就下班了。\n- 代码难维护：训练脚本 400 行，混杂底层 TF 操作，新人接手得先读 2 天文档。\n\n### 使用 bert_in_keras 后\n- 一行命令加载哈工大中文权重，10 分钟就能在 Keras 里像搭积木一样把 BERT + Dense 拼好。\n- 直接喂原始 txt，内置的 tokenizer 自动 padding、mask，省掉 90% 的预处理脚本。\n- 用 Keras 的 `fit_generator`，batch_size 拉到 32，2 小时完成训练，午休回来就能看结果。\n- 整个模型文件 200 行以内，Keras 风格一目了然，新人第二天就能改网络结构做 A\u002FB 测试。\n\nbert_in_keras 让“两周上线”变成“两天上线”，把团队从底层框架泥潭里拉出来，专注业务价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbojone_bert_in_keras_df6197bf.png","bojone","苏剑林(Jianlin Su)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbojone_451a784b.png","科学爱好者",null,"https:\u002F\u002Fkexue.fm","https:\u002F\u002Fgithub.com\u002Fbojone",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,656,233,"2026-02-28T07:25:14","未说明",{"notes":92,"python":93,"dependencies":94},"代码基于 Python 2.7 与 TensorFlow 1.x，已较旧；需额外下载中文 BERT 权重（官方版或哈工大版）；作者强调需具备半年以上 NLP 与一周以上 Keras 经验","2.7",[95,96,97],"tensorflow==1.13","keras==2.2.4","keras-bert",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T05:37:58.858929",[102,107,112,117,122,127,132,137],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},5936,"验证集 loss 降不下去怎么办？","大概率是训练集没有真正被打乱。请检查 Python 3 下 `np.random.shuffle(list(random_order))` 的写法，在 Py3 中 `list(random_order)` 会生成新列表导致原列表未被 shuffle。改为：\n```python\nrandom_order = list(range(len(data)))\nnp.random.shuffle(random_order)\ntrain_data = [data[j] for i, j in enumerate(random_order) if i % 10 != 0]\nvalid_data = [data[j] for i, j in enumerate(random_order) if i % 10 == 0]\n```\n确保训练集和验证集按 9:1 随机划分即可。","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F5",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},5937,"运行 nl2sql_baseline.py 报错 TypeError: __int__ returned non-int (type NoneType) 怎么办？","该错误通常由 TensorFlow\u002FKeras 版本不匹配导致。请确保：\n- TensorFlow ≥ 1.14\n- Keras ≥ 2.2.4\n- Python 3.6+\n如果仍报错，根据作者提示需修改 Keras 源码，参考 https:\u002F\u002Fkexue.fm\u002Farchives\u002F6771 中的说明。","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F9",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},5938,"关系抽取任务的数据格式长什么样？","原始 schema 文件每行是一个 json：\n```json\n{\"object_type\": \"地点\", \"predicate\": \"祖籍\", \"subject_type\": \"人物\"}\n```\n需先用作者提供的脚本 `data_trans.py`（位于 https:\u002F\u002Fgithub.com\u002Fbojone\u002Fkg-2019）转换成 `all_50_schemas_me.json`，脚本会自动生成模型所需的 id 映射。","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F3",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},5939,"微调后的 BERT 模型如何正确加载？","作者推荐只保存权重：\n```python\nmodel.save_weights('xxx.h5')\nmodel.load_weights('xxx.h5')\n```\n如果一定要用 `model.save()`，需在 `load_model` 时手动传入所有自定义层：\n```python\nfrom keras_bert import get_custom_objects\nfrom keras.models import load_model\nmodel = load_model('xxx.h5', custom_objects=get_custom_objects())\n```\n","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F7",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},5940,"情感分类预测函数无论输入什么都返回 0，如何修复？","二分类任务最后一层是 sigmoid，应使用阈值而非 argmax：\n```python\nresult = model_in.predict([indices, segments])[0] > 0.5\n```\n`argmax` 只适用于多分类 softmax。","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F8",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},5941,"sentiment.py 需要的 neg.xls \u002F pos.xls 数据集在哪里？","数据集位于作者另一个仓库：\nhttps:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert4keras\u002Ftree\u002Fmaster\u002Fexamples\u002Fdatasets\n直接下载即可。","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F13",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},5942,"运行 subject_extract.py 出现 UnicodeEncodeError 怎么办？","该问题是 Python 2 默认 ASCII 编码导致，切换到 Python 3 即可解决；或在文件头部加：\n```python\n# -*- coding: utf-8 -*-\nimport sys\nreload(sys)\nsys.setdefaultencoding('utf-8')\n```\n","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F10",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},5943,"所有数据集在哪里下载？","作者在博客已汇总：\n- 情感分类数据：https:\u002F\u002Fkexue.fm\u002Farchives\u002F3414\n- 事件主体抽取（需报名）：https:\u002F\u002Fbiendata.com\u002Fcompetition\u002Fccks_2019_4\n- 关系抽取数据：比赛结束后百度将公开发布\n详见 https:\u002F\u002Fkexue.fm\u002Farchives\u002F6736","https:\u002F\u002Fgithub.com\u002Fbojone\u002Fbert_in_keras\u002Fissues\u002F2",[]]