添加模型结构图

README.md

@@ -14,8 +14,9 @@
 - [x] [5. 基于BERT预训练模型的英文多选项(SWAG)任务](https://mp.weixin.qq.com/s/GqsbMBNt9XcFIjmumR04Pg) 　　　[代码](Tasks/TaskForMultipleChoice.py)
 - [x] [6. 基于BERT预训练模型的英文问答(SQuAD)任务](https://www.ylkz.life/deeplearning/p10265968/) 　　　[代码](Tasks/TaskForSQuADQuestionAnswering.py)
 - [x] [7. 基于NSL和MLM任务从头训练BERT任务](https://mp.weixin.qq.com/s/2Vtxv1Wj9knEFKUyUeQ_6w) 　　　[代码](Tasks/TaskForPretraining.py)
-- [ ] [8. 基于BERT预训练模型的中文关系抽取任务](https://www.ylkz.life)
-- [ ] [9. 基于BERT预训练模型的命名体识别任务](https://www.ylkz.life)
+- [ ] [8. 基于BERT预训练模型的命名体识别任务](https://www.ylkz.life)
+- [ ] [9. 基于BERT预训练模型的中文关系抽取任务](https://www.ylkz.life)
+
 ## 工程结构
 - `bert_base_chinese`目录中是BERT base中文预训练模型以及配置文件
 
@@ -43,12 +44,14 @@
         - `BertForMultipleChoice.py`是问题选择模型的实现部分；
         - `BertForQuestionAnswering.py`是问题回答（text span）模型的实现部分；
         - `BertForNSPAndMLM.py`是BERT模型预训练的两个任务实现部分；
+        - `BertForTokenClassification.py`是字符分类（如：命名体识别）模型的实现部分；
 - `Task`目录中是各个具体下游任务的训练和推理实现
     - `TaskForSingleSentenceClassification.py`是单标签单文本分类任务的训练和推理实现，可用于普通的文本分类任务；
     - `TaskForPairSentence.py`是文本对分类任务的训练和推理实现，可用于蕴含任务（例如MNLI数据集）；
     - `TaskForMultipleChoice.py`是问答选择任务的训练和推理实现，可用于问答选择任务（例如SWAG数据集）；
     - `TaskForSQuADQuestionAnswering.py`是问题回答任务的训练和推理实现，可用于问题问答任务（例如SQuAD数据集）；
     - `TaskForPretraining.py`是BERT模型中MLM和NSP两个预训练任务的实现部分，可用于BERT模型预训练；
+    - `TaskForChineseNER.py`是基于BERT模型的命名体任务训练和推理部分的实现；
 - `test`目录中是各个模块的测试案例
 - `utils`是各个工具类的实现
     - `data_helpers.py`是各个下游任务的数据预处理及数据集构建模块；
@@ -73,6 +76,11 @@ tqdm==4.61.0
 ### Step 2. 运行模型 
 进入`Tasks`目录，运行相关模型.
 ### 2.1 中文文本分类任务
+
+模型结构与数据处理：
+
+<img src="imgs/21102512313.jpg" width="45%">
+
 ```python
 python TaskForSingleSentenceClassification.py
 ```
@@ -96,6 +104,10 @@ python TaskForSingleSentenceClassification.py
 
 ### 2.2 英文文本蕴含任务
 
+模型结构与数据处理：
+
+<img src="imgs/21103032538.jpg" width="45%">
+
 ```python
 python TaskForPairSentenceClassification.py
 ```
@@ -118,6 +130,15 @@ python TaskForPairSentenceClassification.py
 ```
 
 ### 2.3 SWAG多项选择任务
+
+模型结构与数据处理：
+
+<img src="imgs/21110834330.jpg" width="50%">
+
+<img src="imgs/21110819453.jpg" width="50%">
+
+<img src="imgs/21110839843.jpg" width="50%">
+
 ```python
 python TaskForMultipleChoice.py
 ```
@@ -140,6 +161,16 @@ python TaskForMultipleChoice.py
 
 ### 2.4 SQuAD问题回答任务
 
+模型结构与数据处理：
+
+<img src="imgs/22010353470.jpg" width="50%">
+
+<img src="imgs/22010226560.jpg" width="50%">
+
+<img src="imgs/22010215402.jpg" width="50%">
+
+<img src="imgs/22010251228.jpg" width="50%">
+
 ```python
 python TaskForSQuADQuestionAnswering.py
 ```
@@ -181,6 +212,12 @@ python evaluate-v1.1.py dev-v1.1.json best_result.json
 
 ### 2.5 NSP与MLM任务训练及推理
 
+模型结构与数据处理：
+
+<img src="imgs/22011653159.jpg" width="50%">
+
+<img src="imgs/22011826706.jpg" width="50%">
+
 ```python
 if __name__ == '__main__':
     config = ModelConfig()
@@ -206,4 +243,61 @@ if __name__ == '__main__':
 - INFO:   ## 掩盖：日日思君不[MASK]君，共[MASK]长江水。
 - INFO:   ## 预测：日日思君不见君，共饮长江水。
 #   ......
+```
+
+### 2.6 命名体识别任务训练及推理
+
+模型结构与数据处理：
+
+<img src="imgs/22071731070.jpg" width="50%">
+
+<img src="imgs/22071728641.jpg" width="50%">
+
+```python
+if __name__ == '__main__':
+    config = ModelConfig()
+    train(config)
+    sentences = ['智光拿出石壁拓文为乔峰详述事情始末，乔峰方知自己原本姓萧，乃契丹后族。',
+                 '当乔峰问及带头大哥时，却发现智光大师已圆寂。',
+                 '乔峰、阿朱相约找最后知情人康敏问完此事后，就到塞外骑马牧羊，再不回来。']
+    inference(config, sentences)
+```
+
+上述代码运行结束后将会看到类似如下所示的输出结果：
+
+```python
+- INFO: Epoch: [1/10], Batch[620/1739], Train Loss: 0.115, Train acc: 0.96386
+- INFO: Epoch: [1/10], Batch[240/1739], Train Loss: 0.098, Train acc: 0.96466
+- INFO: Epoch: [1/10], Batch[660/1739], Train Loss: 0.087, Train acc: 0.96435
+......
+- INFO:句子：在澳大利亚等西方国家改变反倾销政策中对中国的划分后，不少欧盟人士也认识到，此种划分已背离中国经济迅速发展的现实。
+- INFO: 澳大利亚：	LOC
+- INFO: 中国：	LOC
+- INFO: 欧盟：	LOC
+- INFO: 中国： LOC
+......
+              precision    recall  f1-score   support
+
+           O       1.00      0.99      1.00     97640
+       B-ORG       0.86      0.93      0.89       984
+       B-LOC       0.94      0.93      0.94      1934
+       B-PER       0.97      0.97      0.97       884
+       I-ORG       0.90      0.96      0.93      3945
+       I-LOC       0.91      0.95      0.93      2556
+       I-PER       0.99      0.98      0.98      1714
+
+    accuracy                           0.99    109657
+   macro avg       0.94      0.96      0.95    109657
+weighted avg       0.99      0.99      0.99    109657
+```
+
+模型推理结果：
+```python
+- INFO: 句子：智光拿出石壁拓文为乔峰详述事情始末，乔峰方知自己原本姓萧，乃契丹后族。
+- INFO: 	智光：	PER
+- INFO: 	乔峰：	PER
+- INFO: 	乔峰：	PER
+- INFO: 	萧：	PER
+- INFO: 	丹：	PER
+......
 ```