前面的课程中，前面我们花了10节课的时间，已经给大家把这个项目讲完了。但最近有同学反馈了一些问题，我挑了几个频率比较高的问题，给大家集中讲解一下。

三个方面的问题

1、代码报错，原因是CRF这个三方库更新了，需要微调代码；

2、训练时间太长，给大家介绍一个使用 Kaggle GPU 训练模型的方法；    

3、测试准确率虚高，效果并不好，借助 seqeval 的一个评估函数，来查看少数类的准确率。

代码示例

1、CRF三方库更新

a）self.crf = CRF(TARGET_SIZE, batch_first=True)

b）viterbi_decode报错的问题：改成 return self.crf.decode(out, mask)

c）误差值太大的问题：return -self.crf.forward(y_pred, target, mask, reduction='mean')

2、Kaggle GPU加速训练

a）注册、登录，网址：https://www.kaggle.com/

b）上传 Dataset 到 Kaggle

c）复制代码到 Notebook，并修改代码。原则是，要保证数据和模型在同一个设备上 

内容不可见，请联系管理员开通权限。

d）切换GPU，在线和离线训练

3、模型文件下载

a）注意，要将 vocab.txt 和 label.txt 文件一并下载下来，不同环境生成的文件不一样；

b）不一样的原因，是数据预处理阶段，随机拆分了训练集和测试集，随机产生的训练集不同，生成的词表文件也会不同。

4、多分类评估指标

sklearn 的评估指标统计的是单个标签，seqeval 统计的是实体，更严格。 

内容不可见，请联系管理员开通权限。

测试效果

目前这个效果，差不多已经到极限了，当时大赛的最好成绩也只有0.763，因为选手用特征工程手段，对样本数据进行了修正，效果会稍好一些。那我们这个项目，也就先到这里，后面我们学完 Bert 之后，大家可以回来，把模型中的随机 Embedding 层，换成 Bert，可能会有更好的效果。

本文链接：http://ichenhua.cn/edu/note/519

版权声明：本文为「陈华编程」原创课程讲义，请给与知识创作者起码的尊重，未经许可不得传播或转售！