本框架支持的NLP任务包括 分类、匹配、序列标注、文本生成等.
- 对于分类任务，目前支持多分类、多标签分类，通过选择不同的loss即可。
- 对于匹配任务，目前已支持交互模型和表示模型，
   每种模型也针对性的实验了pointwise和pairwise的效果：交互模型最终效果优于表示模型，
   不过训练速度很慢很慢；表示模型结合triplet loss的速度是最快的，效果略微差点（不过还是要看具体数据场景），
   大家可以根据实际应用场景选择合适的模型，以及进行模型之间的组合。

训练数据:
对于分类和匹配任务的数据使用csv格式，csv头部包括列名‘target’和‘text’。

预训练数据(目前在分类和匹配任务上已支持):
如果使用到bert作为预训练，请提前运行"sh scripts/prepare.sh"

[依赖]
     环境：python3+tensorflow 1.10
     pip3 install --user -r requirements.txt
     
[分类]
     1.生成tfrecords数据，训练:
        python3 run.py classify mode=prepare
        python3 run.py classify 
       或者直接使用脚本:
        sh scripts/restart.sh classify
     
     2.测试：python3 run.py classify model=test
       单个测试：python3 run.py classify model=test_one
[匹配]
     1.生成tfrecords数据，训练:
         python3 run.py match mode=prepare
         python3 run.py match mode=train
       或者直接使用脚本:
         sh scripts/restart.sh match
     2.测试：python3 run.py match model=test
       单个测试：python3 run.py match model=test_one
[序列标注]
    ...
    sh scripts/restart.sh ner
[翻译]    
    ...
    sh scripts/restart.sh translation

各类任务的参数分别定义在conf/model/的，以任务名命名的yml文件中"conf/model/{task}.yml"
目前已支持的常见任务如下：
1. classify, 训练
2. match   , 匹配
3. ner     , 序列标注
4. seq2seq , 翻译任务

1. encoder
    cnn
    fasttext
    text_cnn
    dcnn
    dpcnn
    vdcnn
    rnn        
    rcnn
    attention_rnn
    capsule
    esim
    han
    matchpyramid
    abcnn
    transformer

2. common 
    loss
    attention
    lr
    ...

3. utils
    data process

如果有任何问题，欢迎发邮件到zfz1015@outlook.com