[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-guillaumegenthial--sequence_tagging":3,"tool-guillaumegenthial--sequence_tagging":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":78,"owner_location":79,"owner_email":78,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":145},3723,"guillaumegenthial\u002Fsequence_tagging","sequence_tagging","Named Entity Recognition (LSTM + CRF) - Tensorflow","sequence_tagging 是一个基于 TensorFlow 实现的命名实体识别（NER）开源项目，旨在为句子中的每个单词自动标注类别标签，例如识别人名、地名等实体。它有效解决了从非结构化文本中精准提取关键信息的难题，是自然语言处理领域的基础任务之一。\n\n该工具特别适合 NLP 领域的研究人员和开发者使用，尤其是那些希望深入理解序列标注模型底层原理，或需要构建高性能基线模型进行对比实验的技术人员。其核心技术亮点在于融合了双向 LSTM、字符级嵌入（Character Embeddings）以及条件随机场（CRF）。具体而言，它先通过字符特征增强单词表示，再结合预训练的 GloVe 词向量，利用双向 LSTM 捕捉上下文语境，最后通过 CRF 层优化标签序列的全局一致性。这种架构在 CoNLL2003 数据集上能达到 90% 至 91% 的 F1 分数，具备业界领先的性能表现。项目代码结构清晰，提供了完整的数据处理、训练及评估脚本，并支持灵活配置，是学习经典深度学习 NER 架构的优质参考范例。","# Named Entity Recognition with Tensorflow\n\nThis repo implements a NER model using Tensorflow (LSTM + CRF + chars embeddings).\n\n__A [better implementation is available here, using `tf.data` and `tf.estimator`, and achieves an F1 of 91.21](https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Ftf_ner)__\n\nState-of-the-art performance (F1 score between 90 and 91).\n\nCheck the [blog post](https:\u002F\u002Fguillaumegenthial.github.io\u002Fsequence-tagging-with-tensorflow.html)\n\n## Task\n\nGiven a sentence, give a tag to each word. A classical application is Named Entity Recognition (NER). Here is an example\n\n```\nJohn   lives in New   York\nB-PER  O     O  B-LOC I-LOC\n```\n\n\n## Model\n\nSimilar to [Lample et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.01360) and [Ma and Hovy](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1603.01354.pdf).\n\n- concatenate final states of a bi-lstm on character embeddings to get a character-based representation of each word\n- concatenate this representation to a standard word vector representation (GloVe here)\n- run a bi-lstm on each sentence to extract contextual representation of each word\n- decode with a linear chain CRF\n\n\n\n## Getting started\n\n\n1. Download the GloVe vectors with\n\n```\nmake glove\n```\n\nAlternatively, you can download them manually [here](https:\u002F\u002Fnlp.stanford.edu\u002Fprojects\u002Fglove\u002F) and update the `glove_filename` entry in `config.py`. You can also choose not to load pretrained word vectors by changing the entry `use_pretrained` to `False` in `model\u002Fconfig.py`.\n\n2. Build the training data, train and evaluate the model with\n```\nmake run\n```\n\n\n## Details\n\n\nHere is the breakdown of the commands executed in `make run`:\n\n1. [DO NOT MISS THIS STEP] Build vocab from the data and extract trimmed glove vectors according to the config in `model\u002Fconfig.py`.\n\n```\npython build_data.py\n```\n\n2. Train the model with\n\n```\npython train.py\n```\n\n\n3. Evaluate and interact with the model with\n```\npython evaluate.py\n```\n\n\nData iterators and utils are in `model\u002Fdata_utils.py` and the model with training\u002Ftest procedures is in `model\u002Fner_model.py`\n\nTraining time on NVidia Tesla K80 is 110 seconds per epoch on CoNLL train set using characters embeddings and CRF.\n\n\n\n## Training Data\n\n\nThe training data must be in the following format (identical to the CoNLL2003 dataset).\n\nA default test file is provided to help you getting started.\n\n\n```\nJohn B-PER\nlives O\nin O\nNew B-LOC\nYork I-LOC\n. O\n\nThis O\nis O\nanother O\nsentence\n```\n\n\nOnce you have produced your data files, change the parameters in `config.py` like\n\n```\n# dataset\ndev_filename = \"data\u002FcoNLL\u002Feng\u002Feng.testa.iob\"\ntest_filename = \"data\u002FcoNLL\u002Feng\u002Feng.testb.iob\"\ntrain_filename = \"data\u002FcoNLL\u002Feng\u002Feng.train.iob\"\n```\n\n\n\n\n## License\n\nThis project is licensed under the terms of the apache 2.0 license (as Tensorflow and derivatives). If used for research, citation would be appreciated.\n\n","# 使用 TensorFlow 进行命名实体识别\n\n此仓库使用 TensorFlow 实现了一个 NER 模型（LSTM + CRF + 字符嵌入）。\n\n__这里有一个[更好的实现](https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Ftf_ner)，它使用了 `tf.data` 和 `tf.estimator`，并达到了 91.21 的 F1 分数__\n\n达到了最先进的性能（F1 分数在 90 到 91 之间）。\n\n请查看[博客文章](https:\u002F\u002Fguillaumegenthial.github.io\u002Fsequence-tagging-with-tensorflow.html)\n\n## 任务\n\n给定一个句子，为每个词打上标签。一个经典的应用是命名实体识别（NER）。以下是一个例子：\n\n```\nJohn   lives in New   York\nB-PER  O     O  B-LOC I-LOC\n```\n\n\n## 模型\n\n类似于 [Lample 等人](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.01360) 和 [Ma 和 Hovy](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1603.01354.pdf)。\n\n- 将字符嵌入上的双向 LSTM 的最终状态拼接起来，得到每个词的基于字符的表示。\n- 将这个表示与标准的词向量表示（这里是 GloVe）拼接。\n- 对每个句子运行一个双向 LSTM，以提取每个词的上下文表示。\n- 使用线性链条件随机场（CRF）进行解码。\n\n\n\n## 快速入门\n\n\n1. 使用以下命令下载 GloVe 向量：\n\n```\nmake glove\n```\n\n或者，你也可以手动从[这里](https:\u002F\u002Fnlp.stanford.edu\u002Fprojects\u002Fglove\u002F)下载，并更新 `config.py` 中的 `glove_filename` 条目。你还可以通过将 `model\u002Fconfig.py` 中的 `use_pretrained` 条目改为 `False` 来选择不加载预训练的词向量。\n\n2. 构建训练数据、训练并评估模型：\n\n```\nmake run\n```\n\n\n## 详细信息\n\n\n以下是 `make run` 中执行的命令分解：\n\n1. [不要错过这一步] 根据 `model\u002Fconfig.py` 中的配置，从数据中构建词汇表，并提取修剪后的 GloVe 向量。\n\n```\npython build_data.py\n```\n\n2. 训练模型：\n\n```\npython train.py\n```\n\n\n3. 评估并交互式地使用模型：\n\n```\npython evaluate.py\n```\n\n\n数据迭代器和工具位于 `model\u002Fdata_utils.py` 中，而包含训练和测试流程的模型位于 `model\u002Fner_model.py` 中。\n\n在 NVidia Tesla K80 上，使用字符嵌入和 CRF 在 CoNLL 训练集上每轮训练耗时约 110 秒。\n\n\n\n## 训练数据\n\n\n训练数据必须采用以下格式（与 CoNLL2003 数据集相同）。\n\n提供了一个默认的测试文件，以帮助你快速入门。\n\n\n```\nJohn B-PER\nlives O\nin O\nNew B-LOC\nYork I-LOC\n. O\n\nThis O\nis O\nanother O\nsentence\n```\n\n\n当你准备好自己的数据文件后，可以修改 `config.py` 中的参数，例如：\n\n```\n# 数据集\ndev_filename = \"data\u002FcoNLL\u002Feng\u002Feng.testa.iob\"\ntest_filename = \"data\u002FcoNLL\u002Feng\u002Feng.testb.iob\"\ntrain_filename = \"data\u002FcoNLL\u002Feng\u002Feng.train.iob\"\n```\n\n\n\n\n## 许可证\n\n本项目根据 Apache 2.0 许可证授权（与 TensorFlow 及其衍生作品相同）。如果用于研究目的，欢迎引用。","# Sequence Tagging 快速上手指南\n\n本指南基于 TensorFlow 实现命名实体识别（NER）模型，采用 Bi-LSTM + CRF + 字符嵌入架构，在 CoNLL2003 数据集上 F1 分数可达 90-91。\n\n## 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows (需配置好 TensorFlow 环境)\n*   **核心依赖**：\n    *   Python 3.x\n    *   TensorFlow (推荐 1.x 版本，因本项目基于 `tf.estimator` 之前的 API)\n    *   NumPy\n*   **硬件建议**：推荐使用 NVIDIA GPU (如 Tesla K80) 以加速训练，单 epoch 约需 110 秒。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging.git\n    cd sequence_tagging\n    ```\n\n2.  **安装 Python 依赖**\n    如果项目中包含 `requirements.txt`，请执行：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    若无该文件，请确保已安装 `tensorflow`, `numpy` 等基础库。\n\n3.  **下载预训练词向量 (GloVe)**\n    执行以下命令自动下载 GloVe 向量：\n    ```bash\n    make glove\n    ```\n    *注：若下载速度慢，可手动从 [Stanford GloVe](https:\u002F\u002Fnlp.stanford.edu\u002Fprojects\u002Fglove\u002F) 下载，解压后修改 `config.py` 中的 `glove_filename` 路径。*\n\n## 基本使用\n\n### 1. 构建数据与训练模型\n执行以下命令将自动完成数据词汇表构建、裁剪 GloVe 向量、训练及评估流程：\n```bash\nmake run\n```\n\n**分步执行说明**（如需自定义流程）：\n*   **构建数据**：根据 `model\u002Fconfig.py` 配置处理数据并提取向量。\n    ```bash\n    python build_data.py\n    ```\n*   **开始训练**：\n    ```bash\n    python train.py\n    ```\n*   **评估与交互**：\n    ```bash\n    python evaluate.py\n    ```\n\n### 2. 数据格式规范\n训练数据需遵循 CoNLL2003 格式（每行一个单词及其标签，句子间用空行分隔）：\n```text\nJohn B-PER\nlives O\nin O\nNew B-LOC\nYork I-LOC\n. O\n\nThis O\nis O\nanother O\nsentence O\n```\n\n### 3. 配置自定义数据集\n准备好数据文件后，编辑 `config.py` 指定文件路径：\n```python\n# dataset\ndev_filename = \"data\u002FcoNLL\u002Feng\u002Feng.testa.iob\"\ntest_filename = \"data\u002FcoNLL\u002Feng\u002Feng.testb.iob\"\ntrain_filename = \"data\u002FcoNLL\u002Feng\u002Feng.train.iob\"\n```\n\n> **提示**：若不使用预训练词向量，可在 `model\u002Fconfig.py` 中将 `use_pretrained` 设置为 `False`。","某金融风控团队需要从每日海量的新闻快讯中自动提取涉事公司、高管姓名及涉案地点，以构建实时风险预警图谱。\n\n### 没有 sequence_tagging 时\n- 依赖人工逐条阅读新闻并标注实体，处理千条数据需耗费数人天，严重滞后于市场变化。\n- 尝试使用简单的正则表达式匹配，无法识别“纽约”是地名还是基金名，导致大量误报和漏报。\n- 缺乏上下文理解能力，面对\"Apple 发布新品”与\"apple 价格上涨”中的歧义，系统无法准确区分是指科技公司还是水果。\n- 模型迭代困难，每次调整规则都需要重新编写大量代码，且无法量化评估改进效果。\n\n### 使用 sequence_tagging 后\n- 利用其 LSTM+CRF 架构自动训练专用模型，将千条新闻的实体提取时间从数天缩短至秒级，实现实时预警。\n- 基于字符级嵌入（char embeddings）有效解决未登录词问题，准确识别新出现的生僻公司名或人名，大幅降低漏报率。\n- 通过双向 LSTM 捕捉上下文语境，完美消解一词多义歧义，精准区分不同场景下的实体含义。\n- 提供标准的 F1 评分指标和清晰的训练流程，团队可快速验证数据质量并持续优化模型性能。\n\nsequence_tagging 将非结构化文本转化为高精度结构化数据的能力，让金融风控从“人工抽检”迈向了“智能全量监控”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguillaumegenthial_sequence_tagging_4d574109.png","guillaumegenthial","Guillaume Genthial","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fguillaumegenthial_40e1db0a.png",null,"Paris","https:\u002F\u002Fguillaumegenthial.github.io","https:\u002F\u002Fgithub.com\u002Fguillaumegenthial",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.5,{"name":88,"color":89,"percentage":90},"Makefile","#427819",0.5,1955,696,"2026-04-03T14:26:23","Apache-2.0","未说明","非必需，但推荐使用（文中提及在 NVIDIA Tesla K80 上训练速度较快）",{"notes":98,"python":95,"dependencies":99},"该项目基于 TensorFlow（旧版本架构，使用 LSTM+CRF），非 PyTorch。运行前需下载 GloVe 词向量文件或通过 make 命令自动下载。训练数据需符合 CoNLL2003 格式。文中提到在 NVIDIA Tesla K80 GPU 上每个 epoch 训练耗时约 110 秒。",[100,101],"TensorFlow","GloVe (预训练词向量)",[55,13,52,14,26],[104,105,106,107,108,109,110,111,112],"named-entity-recognition","crf","tensorflow","bi-lstm","characters-embeddings","glove","ner","conditional-random-fields","state-of-art","2026-03-27T02:49:30.150509","2026-04-06T05:15:42.855576",[116,121,125,130,135,140],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},17056,"为什么我在 CoNLL2003 数据集上的实验结果（F1 分数）与论文报告的不一致？","结果不一致通常与环境配置或超参数有关。维护者建议：\n1. 确保使用 IOBES 标注格式和 GloVe6B 预训练词向量，这样应该能得到与论文相似的结果。\n2. 维护者已发布了一个新版本的代码库 (tf_ner)，可以实现更高的分数，建议尝试迁移到新版本：https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Ftf_ner\u002F\n3. 检查 Python、TensorFlow 和 CUDA 版本是否与原作者环境一致。","https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging\u002Fissues\u002F46",{"id":122,"question_zh":123,"answer_zh":124,"source_url":120},17057,"在评估模型时，是否应该保留测试集和开发集中所有单词的预训练词向量（包括未登录词）？","是的，这是可行的且符合原论文做法。原因如下：\n1. 在训练阶段，模型仅基于训练集中的 token 进行训练。如果使用预训练嵌入，对于训练集中不在 GloVe 词汇表中的词，模型会看到 \u003CUNK> 标记。\n2. 在评估阶段（dev\u002Ftest），你只需查找这些集合中单词对应的预训练嵌入并传入模型即可。因为模型从未基于这些特定的 dev\u002Ftest 数据进行训练，所以直接使用它们的预训练嵌入不会产生数据泄露问题。\n3. 即使某些词在训练时被标记为 \u003CUNK>，只要在评估时能区分它们并使用不同的嵌入，就不会有问题。",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},17058,"如何控制随机种子以获得可复现的训练结果？","即使在代码开头设置了 `tf.set_random_seed(42)` 和 `np.random.seed(42)`，在 GPU 环境下训练结果仍可能具有随机性且难以完全稳定。这是因为当前的方法在 GPU 设置下很难维持完全稳定的结果。如果必须要求结果完全一致，可能需要考虑在 CPU 上运行或接受微小的波动。","https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging\u002Fissues\u002F6",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},17059,"如何在原有模型基础上增加新的实体类型（如 \"TECH\"）进行训练？","直接在原有模型检查点上增加标签数量会导致形状不匹配错误（例如：`Assign requires shapes of both tensors to match. lhs shape= [10] rhs shape= [9]`）。\n解决方案：\n1. 需要构建一个包含所有标签（包括新加的 \"TECH\"）的完整模型图。\n2. 预测时应使用包含所有标签的模型进行。\n3. 虽然可以通过修改计算图并只重载特定层来实现，但这在 TensorFlow 中实现起来比较复杂。通常建议重新定义输出层维度以匹配新的标签总数。","https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging\u002Fissues\u002F27",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},17060,"在 GPU 上复现 CoNLL2003 时遇到 \"ResourceExhaustedError: OOM\" (显存不足) 错误怎么办？","这是由于显存不足导致的，特别是在使用字符嵌入 (Char embedding) + CRF 层时。\n解决方法是减小批处理大小 (batch size)：\n1. 如果当前 batch size 设为 8，请尝试将其降低到 4 或 2。\n2. 根据你的 GPU 显存大小（如 GTX 1070），可能需要进一步调整直到不再报错。","https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging\u002Fissues\u002F20",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},17061,"运行 `make run` 时出现 `KeyError: 'O'` 错误如何解决？","这是一个词汇表外（out-of-vocabulary）的问题，通常是因为数据格式解析错误导致标签未被正确读取。\n具体解决步骤：\n1. 检查你的数据文件格式。CoNLL-2003 的原始格式中，标签位于第 4 列（例如：`Indian NNP I-NP I-MISC`）。\n2. 修改 `model\u002Fdata_utils.py` 文件第 75 行。\n3. 将代码从 `word, tag = ls[0], ls[1]` 修改为 `word, tag = ls[0], ls[3]`，以确保正确读取标签列。","https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging\u002Fissues\u002F71",[]]