[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kyzhouhzau--BERT-NER":3,"tool-kyzhouhzau--BERT-NER":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",151314,2,"2026-04-11T23:32:58",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":98,"env_os":99,"env_gpu":100,"env_ram":101,"env_deps":102,"category_tags":108,"github_topics":111,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":160},6721,"kyzhouhzau\u002FBERT-NER","BERT-NER","Use Google's BERT for named entity recognition （CoNLL-2003 as the dataset）.","BERT-NER 是一个基于谷歌 BERT 模型构建的开源命名实体识别（NER）工具，旨在帮助开发者快速从文本中精准提取人名、地名、组织机构等关键信息。它主要解决了传统 NER 模型在复杂语境下识别准确率不足的问题，同时优化了早期版本代码难以理解和修改的痛点，让用户能更轻松地复现和微调高性能模型。\n\n这款工具特别适合自然语言处理领域的研究人员和工程开发者使用。如果你需要基于 CoNLL-2003 数据集进行实验，或者希望在现有 BERT 基础上快速搭建自己的实体识别系统，BERT-NER 提供了清晰的代码结构和灵活的配置选项。其核心亮点在于改进了数据预处理流程和网络层设计，支持用户通过简单修改 CRF 层或 Softmax 层即可尝试不同的模型策略。此外，项目默认推荐使用区分大小写的预训练模型，并附带了完整的训练、评估及预测脚本，只需运行一个 shell 命令即可启动全流程。在标准测试集上，该模型无需过多调参即可取得接近论文报道的优异效果，是学习和应用 BERT 进行序列标注任务的实用参考方案。","## For better performance, you can try NLPGNN, see [NLPGNN](https:\u002F\u002Fgithub.com\u002Fkyzhouhzau\u002FNLPGNN) for more details.\n\n# BERT-NER Version 2\n\n\nUse Google's BERT for named entity recognition （CoNLL-2003 as the dataset）. \n\nThe original version （see old_version for more detail） contains some hard codes and lacks corresponding annotations,which is inconvenient to understand. So in this updated version,there are some new ideas and tricks （On data Preprocessing and layer design） that can help you quickly implement the fine-tuning model (you just need to try to modify crf_layer or softmax_layer).\n\n### Folder Description:\n```\nBERT-NER\n|____ bert                          # need git from [here](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert)\n|____ cased_L-12_H-768_A-12\t    # need download from [here](https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip)\n|____ data\t\t            # train data\n|____ middle_data\t            # middle data (label id map)\n|____ output\t\t\t    # output (final model, predict results)\n|____ BERT_NER.py\t\t    # mian code\n|____ conlleval.pl\t\t    # eval code\n|____ run_ner.sh    \t\t    # run model and eval result\n\n```\n\n\n### Usage:\n```\nbash run_ner.sh\n```\n\n### What's in run_ner.sh:\n```\npython BERT_NER.py\\\n    --task_name=\"NER\"  \\\n    --do_lower_case=False \\\n    --crf=False \\\n    --do_train=True   \\\n    --do_eval=True   \\\n    --do_predict=True \\\n    --data_dir=data   \\\n    --vocab_file=cased_L-12_H-768_A-12\u002Fvocab.txt  \\\n    --bert_config_file=cased_L-12_H-768_A-12\u002Fbert_config.json \\\n    --init_checkpoint=cased_L-12_H-768_A-12\u002Fbert_model.ckpt   \\\n    --max_seq_length=128   \\\n    --train_batch_size=32   \\\n    --learning_rate=2e-5   \\\n    --num_train_epochs=3.0   \\\n    --output_dir=.\u002Foutput\u002Fresult_dir\n\nperl conlleval.pl -d '\\t' \u003C .\u002Foutput\u002Fresult_dir\u002Flabel_test.txt\n```\n\n**Notice:** cased model was recommened, according to [this](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.04805) paper. CoNLL-2003 dataset and perl Script comes from [here](https:\u002F\u002Fwww.clips.uantwerpen.be\u002Fconll2003\u002Fner\u002F)\n\n\n### RESULTS:(On test set)\n#### Parameter setting:\n* do_lower_case=False \n* num_train_epochs=4.0\n* crf=False\n  \n```\naccuracy:  98.15%; precision:  90.61%; recall:  88.85%; FB1:  89.72\n              LOC: precision:  91.93%; recall:  91.79%; FB1:  91.86  1387\n             MISC: precision:  83.83%; recall:  78.43%; FB1:  81.04  668\n              ORG: precision:  87.83%; recall:  85.18%; FB1:  86.48  1191\n              PER: precision:  95.19%; recall:  94.83%; FB1:  95.01  1311\n```\n### Result description:\nHere i just use the default paramaters, but as Google's paper says a 0.2% error is reasonable(reported 92.4%).\nMaybe some tricks need to be added to the above model. \n\n\n\n### reference:\n\n[1] https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.04805\n\n[2] https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert\n\n\n\n","## 为了获得更好的性能，您可以尝试 NLPGNN，详情请参见 [NLPGNN](https:\u002F\u002Fgithub.com\u002Fkyzhouhzau\u002FNLPGNN)。\n\n# BERT-NER 版本 2\n\n\n使用 Google 的 BERT 进行命名实体识别（以 CoNLL-2003 数据集为例）。\n\n原始版本（详见 old_version）包含一些硬编码，并且缺乏相应的注释，这使得理解起来不太方便。因此，在这个更新的版本中，我们在数据预处理和层设计方面提出了一些新的思路和技巧，可以帮助您快速实现模型的微调（您只需尝试修改 crf_layer 或 softmax_layer 即可）。\n\n### 文件夹说明：\n```\nBERT-NER\n|____ bert                          # 需要从[这里](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert)获取\n|____ cased_L-12_H-768_A-12\t    # 需要从[这里](https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip)下载\n|____ data\t\t            # 训练数据\n|____ middle_data\t            # 中间数据（标签 ID 映射）\n|____ output\t\t\t    # 输出（最终模型、预测结果）\n|____ BERT_NER.py\t\t    # 主代码\n|____ conlleval.pl\t\t    # 评估代码\n|____ run_ner.sh    \t\t    # 运行模型并评估结果\n\n```\n\n\n### 使用方法：\n```\nbash run_ner.sh\n```\n\n### run_ner.sh 中的内容：\n```\npython BERT_NER.py\\\n    --task_name=\"NER\"  \\\n    --do_lower_case=False \\\n    --crf=False \\\n    --do_train=True   \\\n    --do_eval=True   \\\n    --do_predict=True \\\n    --data_dir=data   \\\n    --vocab_file=cased_L-12_H-768_A-12\u002Fvocab.txt  \\\n    --bert_config_file=cased_L-12_H-768_A-12\u002Fbert_config.json \\\n    --init_checkpoint=cased_L-12_H-768_A-12\u002Fbert_model.ckpt   \\\n    --max_seq_length=128   \\\n    --train_batch_size=32   \\\n    --learning_rate=2e-5   \\\n    --num_train_epochs=3.0   \\\n    --output_dir=.\u002Foutput\u002Fresult_dir\n\nperl conlleval.pl -d '\\t' \u003C .\u002Foutput\u002Fresult_dir\u002Flabel_test.txt\n```\n\n**注意：** 根据[这篇](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.04805)论文，建议使用大小写敏感的模型。CoNLL-2003 数据集和 Perl 脚本来自[这里](https:\u002F\u002Fwww.clips.uantwerpen.be\u002Fconll2003\u002Fner\u002F)\n\n\n### 结果：（在测试集上）\n#### 参数设置：\n* do_lower_case=False \n* num_train_epochs=4.0\n* crf=False\n  \n```\n准确率：98.15%；精确率：90.61%；召回率：88.85%；F1 分数：89.72\n              LOC：精确率：91.93%；召回率：91.79%；F1 分数：91.86  1387\n             MISC：精确率：83.83%；召回率：78.43%；F1 分数：81.04  668\n              ORG：精确率：87.83%；召回率：85.18%；F1 分数：86.48  1191\n              PER：精确率：95.19%；召回率：94.83%；F1 分数：95.01  1311\n```\n### 结果说明：\n在这里我仅使用了默认参数，但正如 Google 的论文所说，0.2% 的误差是合理的（报告为 92.4%）。或许还需要在上述模型中加入一些技巧。\n\n\n\n### 参考文献：\n\n[1] https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.04805\n\n[2] https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert","# BERT-NER 快速上手指南\n\n本指南基于 `BERT-NER Version 2`，帮助用户快速使用 Google BERT 模型在 CoNLL-2003 数据集上进行命名实体识别（NER）的微调与评估。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux 或 macOS (Windows 需配置相应 Python 环境)\n- **Python**: 建议 Python 3.6+\n- **框架**: TensorFlow 1.x (根据原版 BERT 代码要求)\n- **其他依赖**: `perl` (用于运行评估脚本 `conlleval.pl`)\n\n### 前置依赖与数据下载\n在开始之前，请确保已安装必要的 Python 库（如 `tensorflow`, `numpy` 等），并手动下载以下资源到项目根目录：\n\n1. **BERT 源码**:\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert.git\n   # 将克隆后的文件夹重命名为 bert 或按项目结构调整\n   ```\n\n2. **预训练模型 (推荐使用 cased 版本)**:\n   下载地址：[cased_L-12_H-768_A-12.zip](https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip)\n   *国内加速提示：若下载缓慢，可尝试使用国内镜像站或代理加速下载。*\n   \n   解压后，确保文件夹名为 `cased_L-12_H-768_A-12`，其中应包含：\n   - `vocab.txt`\n   - `bert_config.json`\n   - `bert_model.ckpt` (及相关 checkpoint 文件)\n\n3. **数据集**:\n   从 [CoNLL-2003 NER](https:\u002F\u002Fwww.clips.uantwerpen.be\u002Fconll2003\u002Fner\u002F) 获取训练数据，放入 `data` 文件夹中。\n\n## 安装步骤\n\n本项目无需复杂的 `pip install` 安装过程，主要为文件结构整理。请确保项目目录结构如下：\n\n```text\nBERT-NER\n|____ bert                          # BERT 源码目录\n|____ cased_L-12_H-768_A-12\t        # 预训练模型目录\n|____ data\t\t                    # 训练数据目录\n|____ middle_data\t\t            # (运行时自动生成) 中间数据\n|____ output\t\t\t            # (运行时自动生成) 输出结果\n|____ BERT_NER.py\t\t            # 主代码\n|____ conlleval.pl\t\t            # 评估脚本\n|____ run_ner.sh    \t\t        # 运行脚本\n```\n\n**注意**：如果缺少 `middle_data` 或 `output` 文件夹，脚本运行时通常会自动创建，也可手动创建以避免权限问题。\n\n## 基本使用\n\n完成上述准备工作后，只需执行一条命令即可启动训练、评估和预测流程。\n\n### 运行命令\n\n在项目根目录下执行：\n\n```bash\nbash run_ner.sh\n```\n\n### 脚本详解\n该脚本内部调用了以下核心命令，您可以根据需要修改 `run_ner.sh` 中的参数：\n\n```bash\npython BERT_NER.py\\\n    --task_name=\"NER\"  \\\n    --do_lower_case=False \\\n    --crf=False \\\n    --do_train=True   \\\n    --do_eval=True   \\\n    --do_predict=True \\\n    --data_dir=data   \\\n    --vocab_file=cased_L-12_H-768_A-12\u002Fvocab.txt  \\\n    --bert_config_file=cased_L-12_H-768_A-12\u002Fbert_config.json \\\n    --init_checkpoint=cased_L-12_H-768_A-12\u002Fbert_model.ckpt   \\\n    --max_seq_length=128   \\\n    --train_batch_size=32   \\\n    --learning_rate=2e-5   \\\n    --num_train_epochs=3.0   \\\n    --output_dir=.\u002Foutput\u002Fresult_dir\n\nperl conlleval.pl -d '\\t' \u003C .\u002Foutput\u002Fresult_dir\u002Flabel_test.txt\n```\n\n### 关键参数说明\n- `--do_lower_case=False`: 推荐使用 cased 模型时设置为 False。\n- `--crf=False`: 默认使用 Softmax 层，若需使用 CRF 层可改为 `True` 并修改对应代码逻辑。\n- `--num_train_epochs`: 训练轮数，默认示例为 3.0，论文复现建议可尝试 4.0。\n\n运行结束后，查看 `.\u002Foutput\u002Fresult_dir` 目录下的预测结果及控制台输出的评估指标（Precision, Recall, F1-score）。","某金融科技公司的情报分析团队需要从每日海量的英文新闻中自动提取公司名、人物及地点，以构建实时的风险预警图谱。\n\n### 没有 BERT-NER 时\n- **识别精度低**：传统规则或浅层模型难以区分多义词（如\"Apple\"指水果还是公司），导致实体抽取错误率高，噪音数据严重干扰后续分析。\n- **上下文理解弱**：无法有效捕捉长距离依赖关系，当实体名称与描述性词语相隔较远时，模型经常漏标或错标。\n- **开发迭代慢**：每次调整特征工程都需要大量人工编写规则，且缺乏统一的微调框架，新场景适配周期长达数周。\n- **评估标准缺失**：缺乏像 CoNLL-2003 这样的标准数据集对接和自动化评估脚本，团队难以量化模型优化效果。\n\n### 使用 BERT-NER 后\n- **语义识别精准**：利用 Google BERT 强大的预训练语言能力，准确识别复杂语境下的命名实体，测试集上 F1 值提升至近 90%，大幅降低误报率。\n- **深层上下文捕捉**：通过双向 Transformer 架构，完美解决长句中的依赖问题，即使实体被从句隔开也能精准定位。\n- **快速微调部署**：借助其清晰的代码结构和灵活的层设计（如可切换 CRF 或 Softmax 层），开发人员仅需修改少量配置即可完成特定领域模型的微调。\n- **标准化评估流程**：内置 `conlleval.pl` 评估脚本和标准数据预处理流程，让团队能实时监控精确率、召回率等关键指标，确保持续优化。\n\nBERT-NER 将原本耗时数周的实体抽取工程缩短为天级任务，并以业界领先的准确率赋予了机器真正的“阅读理解”能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkaiyinzhou_BERT-NER_fed02cac.png","kaiyinzhou","Kaiyinzhou","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkaiyinzhou_afb7374d.jpg","Interested in machine learning, deep learning and  knowledge graph. Familiar with basic machine learning algorithms, especially variational inference.","BUPT","Beijin Province, China","kyzhou2024@bupt.edu.cn",null,"https:\u002F\u002Fgithub.com\u002Fkaiyinzhou",[82,86,90],{"name":83,"color":84,"percentage":85},"Python","#3572A5",71.4,{"name":87,"color":88,"percentage":89},"Perl","#0298c3",27.9,{"name":91,"color":92,"percentage":93},"Shell","#89e051",0.7,1275,325,"2026-04-09T03:33:03","MIT",4,"Linux, macOS","未说明（基于原始 BERT TensorFlow 实现，通常推荐 NVIDIA GPU 以加速训练，但 CPU 亦可运行）","未说明（建议 16GB+ 以处理批量数据和模型加载）",{"notes":103,"python":104,"dependencies":105},"该项目基于 Google 原始 BERT TensorFlow 代码库，需手动克隆 bert 目录并下载 cased_L-12_H-768_A-12 预训练模型文件。评估阶段依赖 Perl 环境运行 conlleval.pl 脚本。README 未明确指定具体的 Python、TensorFlow 或 CUDA 版本，需参考原始 google-research\u002Fbert 仓库的兼容性要求。","未说明（推测为 Python 2.7 或 3.5+，取决于原始 Google BERT 代码库版本）",[106,107],"tensorflow (对应原始 BERT 版本)","perl (用于 conlleval.pl 评估脚本)",[109,14,110,35,15],"音频","视频",[112,113,114,115,116],"bert","ner","tensorflow","conll-2003","google-bert","2026-03-27T02:49:30.150509","2026-04-12T07:54:58.978696",[120,125,130,135,140,145,150,155],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},30338,"该项目可以用于生物领域的命名实体提取吗？","可以。该模型支持自定义领域的命名实体提取，包括生物领域。使用前需要对数据进行相应的预处理，确保标注格式符合模型要求（如 BIO 标注格式）。如果有大量标注类型（如 70 类），模型理论上可以运行，但可能需要调整超参数或增加训练数据以保证效果。","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F72",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},30333,"如何在没有预训练检查点（init_checkpoint）的情况下训练模型？","如果不指定 init_checkpoint 参数，代码中的 `initialized_variable_names` 变量不会被初始化，直接访问会导致报错。解决方法是注释掉相关日志打印代码，或者添加条件判断，仅在 init_checkpoint 被赋值且不为空时执行该部分逻辑。具体修改如下：\n```python\nif init_checkpoint:\n    (assignment_map, initialized_variable_names) = modeling.get_assignment_map_from_checkpoint(tvars, init_checkpoint)\n    tf.train.init_from_checkpoint(init_checkpoint, assignment_map)\n\n# 在打印变量信息前确保变量已定义或仅在上述条件内打印\nfor var in tvars:\n    init_string = \"\"\n    if init_checkpoint and var.name in initialized_variable_names:\n        init_string = \", INIT_FROM_CKPT\"\n    tf.logging.info(\"name = %s, shape = %s%s\", var.name, var.shape, init_string)\n```","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F15",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},30334,"在 Google Colab TPU 上运行时出现 'TPUEstimatorSpec.predictions must be dict of Tensors' 错误怎么办？","这是因为 TPUEstimatorSpec 要求 predictions 必须是 Tensor 的字典。需要在 `_create_model` 函数中将预测结果封装为字典。修改代码如下：\n```python\npredict = tf.argmax(probabilities, axis=-1)\npredict_dict = {'predictions': predict}  # 封装为字典以通过检查\nreturn loss, per_example_loss, logits, predict_dict\n```\n同时，获取结果时也需要相应调整：\n```python\nresult = estimator.predict(input_fn=predict_input_fn)\nresult = list(result)\nresult = [pred['predictions'] for pred in result]\n```","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F19",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},30335,"为什么预测结果会漏掉整句话或部分文本？","这通常是因为输入句子的长度超过了设置的 `max_seq_length`（默认通常为 128），导致超出部分的文本被截断。请检查您的数据，如果句子较长，需要增大 `--max_seq_length` 参数的值（例如设置为 150 或更大），并确保模型支持该长度。","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F44",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},30336,"标签数量为什么是 label_list 长度加 1（例如 12 个标签变成 13）？","多出来的那个标签（ID 为 0）是专门用于标记填充 token（padding tokens）的。在 BERT 处理变长序列时，会用 0 来填充不足最大长度的部分，因此需要额外的一个标签类别来对应这些填充位置，不参与实体识别。","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F31",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},30337,"如何解决 'TypeError: eval_metric_ops[confusion_matrix] must be Operation or Tensor' 错误？","该错误通常发生在评估指标计算时，传入的类型不符合 TensorFlow 期望。虽然具体修复代码未在当前评论中完整展示，但常见原因是混淆矩阵变量类型问题。建议检查 `eval_metric_ops` 的定义，确保传入的是 Tensor 或 Operation。另外，有用户指出准确率计算可能也需要加上 mask 参数：`acc = tf.metrics.accuracy(label_ids, predictions, weights=mask)`，请检查是否需要对 metrics 进行 masking 处理以忽略 padding 部分。","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F46",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},30339,"如何使用该项目的软件？许可证（License）是什么？","维护者已在仓库中添加了 LICENSE 文件。用户可以查看项目根目录下的 LICENSE 文件以了解具体的使用权限和限制。通常情况下，此类开源项目允许学术研究和商业用途，但请以实际添加的许可证文件为准。","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F90",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},30340,"为什么复现结果比官方提供的差？应该使用哪个检查点？","结果差异可能与使用的预训练模型检查点有关。有用户反馈，使用 \"BERT-Base, Multilingual Cased\" 时效果较差（F1 约 0.89），而切换到 \"BERT-Base, Cased\"（英文专用）后，F1 分数可达 0.93。建议根据您的任务语言选择合适的检查点，如果是纯英文任务，推荐使用英文专用的 Cased 模型。","https:\u002F\u002Fgithub.com\u002Fkaiyinzhou\u002FBERT-NER\u002Fissues\u002F14",[]]