对指定数据集进行预处理，进一步封装数据，包括: examples：[InputExample(guid=index, text=text, label=label)] features：[InputFeatures( input_ids=input_

模型预测 :param input_ids: :param token_type_ids: :param attention_mask: :return:

加载pkl文件 :param fp: :return:

保存pkl文件，数据序列化 :param data: :param fp: :return:

处理BIO开头的标签信息 输入：sentence=['张', '三', '的', '老', '婆', '是', '谁', '？'], predict_label=['B-FNAME', 'B-LNAME', 'O', 'O', 'O', 'O', 'O', 'O'] 输出：

判断两个实体是否连续 :param e1: :param e2: :return:

合并一组实体

清理output_xxx目录，若output_xxx目录存在，将会被删除, 然后初始化输出目录 :param config: :return:

对输入数据进行特征转换 例如: ****** Example ****** guid: 0 tokens: [CLS] 王 辉 生 前 驾 驶 机 械 洒 药 消 毒 9 0 后 王 辉 ，

进一步封装识别结果，最终结果格式如下: [ {'type': 'address_value', 'value': '江苏南京', 'begin': 3, 'end': 7}, {'type': 'first_name', 'value': '张', 'beg

通过读取输入数据，封装输入样本 :param separator: :param input_file: :return:

获取label2id、id2label的映射 :param output_path: :param label_list: :return:

读取训练数据获取标签 :param config: :return:

读取文件； 若sep为None，按行读取，返回文件内容列表，格式为:[xxx,xxx,xxx,...] 若不为None，按行读取分隔，返回文件内容列表，格式为: [[xxx,xxx],[xxx,xxx],...] :param fp: :param sep:

模型预测 :param sentence: :param model_path: :return:

读取输入数据 :param input_file: :param separator: :return:

模型训练 :return:

:param input_ids: 单词在词典中的编码 :param attention_mask: 指定 对哪些词 进行self-Attention操作 :param token_type_ids: 区分两个句子的编码（上句全为0，

单例类 :param args:cls表示当前的class :param kwargs: :return:

组合人物实体 :param entity: :return:

BERT_BiLSTM_CRF模型的正向传播函数 :param input_ids: torch.Size([batch_size,seq_len]), 代表输入实例的tensor张量 :param token_type_ids: tor