（四）序列标注——实体识别BERT-BLSTM-CRF（下）
前面说的是ner的经典算法以及今年的一些比较好的工作，最近bert模型刷新了NLP的绝大部分任务，可谓是一夜之间火爆了整个NLP界，这里我简单记录下bert在NER上的使用，至于原理部分我后续的博客会做详细的说明。这里先暂时理解成bert同样也是产生embedding的工具就可以，只不过这个embedding比Word2vec的embedding要厉害。
ok 我们先设定下框架。
框架很简单，就是bert+Bilstm-CRF,前面讲了bert就是用来产生词向量的，所以如果抛开这个原理，这个升级版本的NER模型就很简单了。
这里先给出代码链接。BERT是Google提出的基于tensorflow1.11.0的代码，里面用了高级API，所以这篇博客我主要在代码层面讲一下bert的应用。原理部分我也做了详细的介绍，请戳。
bert的官方版本tensorflow和pytorch版本。
bert官方版本的代码写的非常好（虽然很难懂哈），这里借NER这个应用简单学习下：
1.数据准备
这里还是以中文数据为例，数据的格式还是和之前一样：
我们最终需要把数据转换成bert论文中的形式：
代码中的数据就是转成这样，这部分是纯工程问题，就不详细介绍 ：
接下来就讲一下这个高级API的用法：
1.代码中将所有数据封装成record的形式：
注意这里是对每一组数据进行逐条封装
2.读取record 数据，组成batch
这里主要也是通过回调函数完成
input_file就是保存的record文件，然后用d = tf.data.TFRecordDataset(input_file)读数据，这样就得到了一个batch的数据。
然后定义estimator封装器
有了这个封装器训练、验证测试都比较方便（难得读懂哟），这里的model_fn就是模型定义的的回调函数。
3.定义模型
大致思路：这个model_fn_builder是为了构造代码中默认调用的model_fn函数服务的，为了使用其他的参数，只不过model_fn函数的默认参数只有features, labels, mode, params，这四个，所以在model_fn包裹了一层model_fn_builder
注意这个init_checkpoint就是下载的模型，接下来我们看一下模型的构造即model_fn函数，以及他是如何使用init_checkpoint：
- 在这个回调函数中，第一步就是创建模型，这一步其实和之前的tensorflow的写法思路一样，都是在完成“图”这个部分，
那么creat_model里有啥呢，不看也知道，第一步就是拿到bert的输出了，也就是embedding = model.get_sequence_output()，后面就是在创造blstm_crf这块就不再讲了，到这儿是不是完了呢，显然不是，因为我们只是把图建完了，bert的预训练的参数还没有喂给模型呢，接下来就是create_model后面一部分，加载模型预训练参数：
首先读取在create_model中的所有需要训练的参数，因为init_checkpoint中的参数对应的是bert的，所以要把训练参数分开，只能初始化bert的部分，同时bert论文中也提到了fine-tune，是不是这样，我们把参数打印出来看看就知道了：
bert模型的部分参数
lstm-crf模型参数
assignment_map是一个字典，里面存的就是需要create_model中需要初始化的变量，也就是bert的部分，然后调用tf.train.init_from_checkpoint(init_checkpoint, assignment_map)来加载模型，看看恢复出来的参数：
最后就是优化器的定义了：
实验结果：红框是总的实验精度，黄框是每个类别的结果
梳理完了代码，现在来总结下这个estimator API是怎么用的（看一堆基础教程，真不如看大牛写的代码来的快哈！）
1.首先把数据存成record
2.创建estimator 对象，对象里要传入创建model的回调函数model_fn
model_fn的用法：
- 参数model_fn(features, labels, mode, params) 这个是固定的，如果需要额外参数就在外面在包一层回调函数
- features就是record解析后的结果
- 调用数据并送入创建的模型
3.创建优化器并使用tf.contrib.tpu.TPUEstimatorSpec封装优化器和loss
4.创建读取record并生成batch的回调函数
5.训练模型
上述仅仅只是一个代码的分析，详细使用请看我的github吧！！！
