fork运行后可见多文件

中文词法分析

1. 简介

Lexical Analysis of Chinese，简称 LAC，是一个联合的词法分析模型，能整体性地完成中文分词、词性标注、专名识别任务。我们在自建的数据集上对分词、词性标注、专名识别进行整体的评估效果，具体数值见下表；此外，我们在百度开放的 ERNIE 模型上 finetune，并对比基线模型、BERT finetuned 和 ERNIE finetuned 的效果，可以看出会有显著的提升。可通过 AI开放平台-词法分析线上体验百度的词法分析服务。

模型	Precision	Recall	F1-score
Lexical Analysis	88.0%	88.7%	88.4%
BERT finetuned	90.2%	90.4%	90.3%
ERNIE finetuned	92.0%	92.0%	92.0%

下载安装命令

## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

任务定义与建模

词法分析任务的输入是一个字符串（我们后面使用『句子』来指代它），而输出是句子中的词边界和词性、实体类别。序列标注是词法分析的经典建模方式。我们使用基于 GRU 的网络结构学习特征，将学习到的特征接入 CRF 解码层完成序列标注。CRF 解码层本质上是将传统 CRF 中的线性模型换成了非线性神经网络，基于句子级别的似然概率，因而能够更好的解决标记偏置问题。模型要点如下，具体细节请参考 run_sequence_labeling.py 代码。

输入采用 one-hot 方式表示，每个字以一个 id 表示
one-hot 序列通过字表，转换为实向量表示的字向量序列；
字向量序列作为双向 GRU 的输入，学习输入序列的特征表示，得到新的特性表示序列，我们堆叠了两层双向GRU以增加学习能力；
CRF 以 GRU 学习到的特征为输入，以标记序列为监督信号，实现序列标注。

词性和专名类别标签集合如下表，其中词性标签 24 个（小写字母），专名类别标签 4 个（大写字母）。这里需要说明的是，人名、地名、机名和时间四个类别，在上表中存在两套标签（PER / LOC / ORG / TIME 和 nr / ns / nt / t），被标注为第二套标签的词，是模型判断为低置信度的人名、地名、机构名和时间词。开发者可以基于这两套标签，在四个类别的准确、召回之间做出自己的权衡。

标签	含义	标签	含义	标签	含义	标签	含义
n	普通名词	f	方位名词	s	处所名词	t	时间
nr	人名	ns	地名	nt	机构名	nw	作品名
nz	其他专名	v	普通动词	vd	动副词	vn	名动词
a	形容词	ad	副形词	an	名形词	d	副词
m	数量词	q	量词	r	代词	p	介词
c	连词	u	助词	xc	其他虚词	w	标点符号
PER	人名	LOC	地名	ORG	机构名	TIME	时间

模型原理介绍

基于PaddlePaddle的词法分析模型LAC-LMLPHP

数据格式

训练使用的数据可以由用户根据实际的应用场景，自己组织数据。除了第一行是 text_a\tlabel 固定的开头，后面的每行数据都是由两列组成，以制表符分隔，第一列是 utf-8 编码的中文文本，以 \002 分割，第二列是对应每个字的标注，以 \002 分隔。我们采用 IOB2 标注体系，即以 X-B 作为类型为 X 的词的开始，以 X-I 作为类型为 X 的词的持续，以 O 表示不关注的字（实际上，在词性、专名联合标注中，不存在 O ）。示例如下：

除\002了\002他\002续\002任\002十\002二\002届\002政\002协\002委\002员\002,\002马\002化\002腾\002,\002雷\002军\002,\002李\002彦\002宏\002也\002被\002推\002选\002为\002新\002一\002届\002全\002国\002人\002大\002代\002表\002或\002全\002国\002政\002协\002委\002员	p-B\002p-I\002r-B\002v-B\002v-I\002m-B\002m-I\002m-I\002ORG-B\002ORG-I\002n-B\002n-I\002w-B\002PER-B\002PER-I\002PER-I\002w-B\002PER-B\002PER-I\002w-B\002PER-B\002PER-I\002PER-I\002d-B\002p-B\002v-B\002v-I\002v-B\002a-B\002m-B\002m-I\002ORG-B\002ORG-I\002ORG-I\002ORG-I\002n-B\002n-I\002c-B\002n-B\002n-I\002ORG-B\002ORG-I\002n-B\002n-I

我们随同代码一并发布了完全版的模型和相关的依赖数据。但是，由于模型的训练数据过于庞大，我们没有发布训练数据，仅在data目录下放置少数样本用以示例输入数据格式。
模型依赖数据包括：
1. 输入文本的词典，在conf目录下，对应word.dic
2. 对输入文本中特殊字符进行转换的字典，在conf目录下，对应q2b.dic
3. 标记标签的词典,在conf目录下，对应tag.dic
在训练和预测阶段，我们都需要进行原始数据的预处理，具体处理工作包括：
1. 从原始数据文件中抽取出句子和标签，构造句子序列和标签序列
2. 将句子序列中的特殊字符进行转换
3. 依据词典获取词对应的整数索引

代码结构说明

.
├── README.md                           # 本文档
├── conf/                               # 词典目录
├── data/                               # 存放数据集的目录
├── downloads.sh                        # 用于下载数据和模型的脚本
├── freeze.py                   		# 固化模型脚本
├── freeze_infer.py                   		# 利用固化模型进行预测的脚本
├── reader.py                           # 文件读取相关函数
├── run_sequence_labeling.py            # 词法分析任务代码
├── run.sh                              # 启用上面代码的脚本
└── utils.py                            # 常用工具函数

如何组建自己的模型

可以根据自己的需求，组建自定义的模型，具体方法如下所示：

定义自己的词法分析模型，可以在 ../models/sequence_labeling/nets.py 中添加自己的网络结构，具体接口要求可以参考默认的 lex_net 函数。
模型训练、评估、预测的逻辑，需要在 run.sh中修改对应的模型路径、数据路径和词典路径等参数。

文件介绍

lexical_analysis: 存放联合的词法分析模型的主要执行文件，lexical_analysis/data目录下存放训练集数据示例、测试集数据示例。lexical_analysis/model_baseline下存放训练好的模型数据.

models:共享的模型集合

preprocess:共享的数据预处理流程

本例算法运行基于GPU，若采用CPU，请将.sh文件中的参数use_cuda改为false

In[1]

#可以通过以下方式查看数据集内容
import pandas as pd
datas=pd.read_csv('lexical_analysis/data/train.tsv', sep='\t')
print(datas)

text_a  \
0    simultaneous,localizati...
1    我有个很要好的女孩朋友的叔叔过世了,我该怎么安...
2    陈永贵总共有三个儿子一个女儿,长子陈明珠是陈永...
3                                      蘸酸梅粉吃的水果
4                                  f5,负载均衡,漏洞
5                                      会计继续教育重庆
6                                  巴铁1号测试现场.
7                                    手僵头一边麻吃什么
8    ,求图,endless,shock香水事件,堂...
9                          csgo暴怒野兽1080壁纸
10                                               ■凯风
11                             liulishensyh
12                                         瑞安罗阳大厦
13                                             中国东至
14                               13519149890
15                     联想b4400,,土巴兔装修问答
16   clerodendrum,clerodendr...
17   平凉分院秉承少年新闻学院严谨求实的办学宗旨,努...
18                                         龙龟能辅助么
19   不过,日前一项研究表明,这些雄性"滑头鱼"很可...
20                                         氧化镁价格,
21   黑皮乌砂含铁等杂质很多,即使其内有绿,决大多数...
22                         selenium脚本基于谷歌
23   我是农历83年9月28日,老公是农历82年9月...
24   实际上,苹果这周对brian的推文还是有点回应的.
25                   假若内容有涉及侵权,请立即联络我们
26     从10岁起受到启蒙教育,对文学产生了浓厚了兴趣.
27                                       :罗斯科,阿伦
28   最新添加的服务实例将自动共享系统负载,几乎是立...
29   此前,真人版《银魂》第一部上映之后,观众们反响...
..                                                 ...
871  全速前进,南京本田雅阁优惠高达1.8万元,图,...
872      能尝试使用适当的学习方法,克服学习中遇到的困难
873  让一只手就让一只手,来,先把你那只手绑上,然后...
874                                    最后一种太常见了
875                                  sim卡卡套,x2
876  ,百搭潮流眼镜,,zippo,百搭潮流眼镜图片...
877                      上吧,dnf圣骑士吧,百度贴吧
878  而ai技术将使原来的智能电视功能体验更加丰富,...
879                                  移动可以关闭联网么
880                      张家界市张家界梦溪源风情大酒店
881                            7.0裁缝和附魔怎么赚钱
882                              杭州良渚暂住证去哪里办
883                        控制台,进入recovery
884                                        彩妆造型新闻
885                    第三,转移支付应当遵循一定的程序
886                            milano到prato
887                                    长江水库能钓鱼吗
888                        红米1s移动3g版线刷包下载
889  违规配备使用公务公车61起,公款国内旅游27起...
890                                      已经戒烟的明星
891  背伤难挡詹皇25+10+8,遭格林当面绝杀惨成...
892                                      变形金刚,周年
893  在这种紧张的局势下,叙利亚自由军所属的各个小支...
894  ,氧化锰粉,,氧化锰粉价格,氧化锰粉批发,氧化...
895                                        印度人和黑人
896                        昆山隆伸皮革有限公司,首页,
897  300家集体及个人荣获"首都旅游紫禁杯",,新...
898                                    资阳,农产品品牌
899                                        广州西江取水
900                                    三的下一句是什么

                                                 label
0    xc-Bxc-Ixc-Ixc-Ixc-Ixc-Ixc-Ixc-Ixc-Ix...
1    r-Bv-Bq-Bd-Ba-Ba-Iu-Bn-Bn-In-Bn-Iu-...
2    PER-BPER-IPER-Id-Bd-Iv-Bm-Bm-In-Bn-I...
3                   n-Bnz-Bnz-Inz-Iv-Bu-Bn-Bn-I
4        nz-Bnz-Iw-Bnz-Bnz-Inz-Inz-Iw-Bn-Bn-I
5                  n-Bn-Iv-Bv-Iv-Iv-ILOC-BLOC-I
6      w-Bnz-Bnz-Im-Bm-Iw-Bvn-Bvn-Is-Bs-Iw-B
7                  n-Ba-Bn-Bd-Bd-Id-Bv-Br-Br-I
8    w-Bv-Bn-Bw-Bnz-Bnz-Inz-Inz-Inz-Inz-I...
9    n-Bn-In-In-Iv-Bv-In-Bn-Im-Bm-Im-Im-...
10                                       w-Bnr-Bnr-I
11   xc-Bxc-Ixc-Ixc-Ixc-Ixc-Bxc-Ixc-Ixc-Ix...
12                 LOC-BLOC-ILOC-BLOC-ILOC-ILOC-I
13                                 LOC-BLOC-Iv-Bv-I
14         m-Bm-Im-Im-Im-Im-Im-Im-Im-Im-Im-I
15   ORG-BORG-Ixc-Bm-Bm-Im-Im-Iw-Bw-Bnt-B...
16   nz-Bnz-Inz-Inz-Inz-Inz-Inz-Inz-Inz-In...
17   ORG-BORG-IORG-IORG-IORG-IORG-IORG-IORG-...
18                        PER-BPER-Iv-Bv-Bv-Ixc-B
19   c-Bc-Iw-Bt-Bt-Im-Bm-Ivn-Bvn-Iv-Bv-I...
20                             n-Bn-In-In-Bn-Iw-B
21   n-Bn-Ia-Bn-Bv-Bn-Bu-Bn-Bn-Ia-Ba-Iw-...
22   nz-Bnz-Inz-Inz-Inz-Inz-Inz-Inz-In-Bn-...
23   r-Bv-Bn-Bn-ITIME-BTIME-ITIME-ITIME-ITI...
24   d-Bd-Id-Iw-BORG-BORG-ITIME-BTIME-Ip-B...
25   c-Bc-In-Bn-Iv-Bv-Bv-Ivn-Bvn-Iw-Bv-B...
26   p-Bm-Bm-Im-Iv-Bv-Bv-Ivn-Bvn-Ivn-Bvn-...
27             w-BPER-BPER-IPER-IPER-IPER-IPER-I
28   ad-Bad-Iv-Bv-Iu-Bvn-Bvn-In-Bn-Id-Bad...
29   t-Bt-Iw-Bn-Bn-In-Iw-Bnw-Bnw-Iw-Bm-B...
..                                                 ...
871  n-Bn-Iv-Bv-Iw-BORG-BORG-IORG-IORG-IOR...
872  v-Bv-Bv-Iv-Bv-Ia-Ba-Iu-Bn-Bn-In-In-...
873  v-Bn-Bn-In-Iv-Bv-In-Bn-In-Iw-Bv-Bw-...
874                   a-Ba-Im-Bm-Id-Ba-Ba-Ixc-B
875              n-Bn-In-Inr-Bnr-Iv-Bw-Bn-Bn-I
876  w-Ba-Ba-In-Bn-In-Bn-Iw-Bw-Bn-Bn-In-...
877  v-Bxc-Bw-Bnt-Bnt-Int-Int-Int-Int-Ixc-...
878  c-Bnz-Bnz-In-Bn-Iv-Bv-Ia-Ba-Iu-Ba-B...
879           vn-Bvn-Iv-Bv-Iv-Bv-Ivn-Bvn-Ixc-B
880  ORG-BORG-IORG-IORG-IORG-IORG-IORG-IORG-...
881  m-Bm-Im-In-Bn-Ic-Bvn-Bvn-Ir-Br-Iv-Bv-I
882  LOC-BLOC-ILOC-BLOC-In-Bn-In-Iv-Br-Br-...
883  n-Bn-In-Iw-Bv-Bv-In-Bn-In-In-In-In-...
884                            n-Bn-In-Bn-In-Bn-I
885  m-Bm-Iw-Bv-Bv-Ivn-Bvn-Iv-Bv-Iv-Bv-I...
886  LOC-BLOC-ILOC-ILOC-ILOC-ILOC-Iv-Bnz-Bn...
887           LOC-BLOC-ILOC-ILOC-Iv-Bv-Bv-Ixc-B
888  nz-Bnz-Inz-Inz-Inz-Bnz-Inz-Inz-Inz-In...
889  vd-Bvd-Iv-Bv-Iv-Bv-In-Bn-In-Bn-Im-B...
890                        d-Bd-Iv-Bv-Iu-Bn-Bn-I
891  n-Bn-Bad-Bv-Bnr-Bnr-Im-Bm-Iw-Bm-Bm-I...
892                        v-Bv-In-Bn-Iw-Bn-Bn-I
893  p-Br-Br-Ia-Ba-Iu-Bn-Bn-If-Bw-BPER-B...
894  w-Bnz-Bnz-Inz-In-Bw-Bw-Bvn-Bvn-In-Bn...
895                        LOC-BLOC-In-Bc-Bn-Bn-I
896  ORG-BORG-IORG-IORG-IORG-IORG-IORG-IORG-...
897  m-Bm-Im-Im-In-Bn-Ic-Bn-Bn-Iv-Bv-Iw-...
898                LOC-BLOC-Iw-Bn-Bn-In-In-Bn-I
899                  LOC-BLOC-ILOC-BLOC-Ivn-Bvn-I
900                    m-Bu-Bf-Bm-Bm-Iv-Br-Br-I

[901 rows x 2 columns]

In[5]

#基于自建的数据集训练了一个词法分析的模型，可以直接用这个模型对测试集 ./data/test.tsv 进行验证
!cd lexical_analysis/ && sh run.sh eval

evaluating
Namespace(base_learning_rate=0.001, batch_size=80, bigru_num=2, crf_learning_rate=0.2, do_infer=False, do_test=True, do_train=False, emb_learning_rate=5, enable_ce=False, epoch=10, grnn_hidden_dim=768, infer_data='./data/test.tsv', init_checkpoint='./model_baseline', label_dict_path='./conf/tag.dic', model_save_dir='./models', random_seed=0, save_model_per_batches=10000, test_data='./data/test.tsv', train_data='./data/train.tsv', traindata_shuffle_buffer=200, use_cuda=False, valid_model_per_batches=1000, word_dict_path='./conf/word.dic', word_emb_dim=768, word_rep_dict_path='./conf/q2b.dic')
WARNING:root:paddle.fluid.layers.py_reader() may be deprecated in the near future. Please use paddle.fluid.io.DataLoader.from_generator() instead.
Load model from ./model_baseline
[test] avg loss: 4.57690, P: 0.88014, R: 0.88732, F1: 0.88371, elapsed time: 28.206 s

In[1]

#基于示例的数据集，可以运行下面的命令，在训练集 ./data/train.tsv 上进行训练
!cd lexical_analysis/ && sh run.sh train

training
Namespace(base_learning_rate=0.001, batch_size=100, bigru_num=2, crf_learning_rate=0.2, do_infer=False, do_test=True, do_train=True, emb_learning_rate=5.0, enable_ce=False, epoch=10, grnn_hidden_dim=768, infer_data='./data/test.tsv', init_checkpoint='', label_dict_path='./conf/tag.dic', model_save_dir='./models', random_seed=0, save_model_per_batches=10000, test_data='./data/test.tsv', train_data='./data/train.tsv', traindata_shuffle_buffer=200000, use_cuda=False, valid_model_per_batches=1000, word_dict_path='./conf/word.dic', word_emb_dim=768, word_rep_dict_path='./conf/q2b.dic')
WARNING:root:paddle.fluid.layers.py_reader() may be deprecated in the near future. Please use paddle.fluid.io.DataLoader.from_generator() instead.
WARNING:root:paddle.fluid.layers.py_reader() may be deprecated in the near future. Please use paddle.fluid.io.DataLoader.from_generator() instead.
Num train examples: 1001
Max train steps: 100
[train] batch_id = 1, loss = 87.64626, P: 0.00501, R: 0.00826, F1: 0.00624, elapsed time 5.22298
[train] batch_id = 2, loss = 69.80984, P: 0.10905, R: 0.16132, F1: 0.13013, elapsed time 4.81509
[train] batch_id = 3, loss = 85.59127, P: 0.05130, R: 0.07706, F1: 0.06159, elapsed time 4.86501
[train] batch_id = 4, loss = 71.14629, P: 0.16481, R: 0.19154, F1: 0.17717, elapsed time 5.00864
[train] batch_id = 5, loss = 71.63367, P: 0.17216, R: 0.22614, F1: 0.19549, elapsed time 5.46964
[train] batch_id = 6, loss = 67.63748, P: 0.17052, R: 0.22491, F1: 0.19397, elapsed time 4.95055
[train] batch_id = 7, loss = 59.42876, P: 0.21499, R: 0.27583, F1: 0.24164, elapsed time 5.16350
[train] batch_id = 8, loss = 50.81808, P: 0.22033, R: 0.31000, F1: 0.25758, elapsed time 4.31396
[train] batch_id = 9, loss = 50.55206, P: 0.22638, R: 0.26552, F1: 0.24440, elapsed time 4.53906
[train] batch_id = 10, loss = 49.38718, P: 0.25328, R: 0.32309, F1: 0.28396, elapsed time 4.67753
[train] batch_id = 11, loss = 43.89209, P: 0.27452, R: 0.34663, F1: 0.30639, elapsed time 5.22985
[train] batch_id = 12, loss = 39.09778, P: 0.31513, R: 0.37423, F1: 0.34215, elapsed time 4.84584
[train] batch_id = 13, loss = 36.17169, P: 0.30725, R: 0.38721, F1: 0.34263, elapsed time 4.68086
[train] batch_id = 14, loss = 29.94288, P: 0.36442, R: 0.43371, F1: 0.39606, elapsed time 4.20059
[train] batch_id = 15, loss = 33.41866, P: 0.35561, R: 0.40426, F1: 0.37838, elapsed time 4.56074
[train] batch_id = 16, loss = 30.72605, P: 0.36782, R: 0.41830, F1: 0.39144, elapsed time 4.64512
[train] batch_id = 17, loss = 34.12953, P: 0.37167, R: 0.45533, F1: 0.40927, elapsed time 5.33640
[train] batch_id = 18, loss = 35.30538, P: 0.38660, R: 0.46594, F1: 0.42258, elapsed time 5.17338
[train] batch_id = 19, loss = 30.41994, P: 0.38342, R: 0.47830, F1: 0.42564, elapsed time 4.91229
[train] batch_id = 20, loss = 30.06948, P: 0.42647, R: 0.51349, F1: 0.46595, elapsed time 5.10958
[train] batch_id = 21, loss = 21.98657, P: 0.50438, R: 0.56518, F1: 0.53305, elapsed time 4.82395
[train] batch_id = 22, loss = 19.74310, P: 0.48361, R: 0.54742, F1: 0.51354, elapsed time 4.47892
[train] batch_id = 23, loss = 24.70871, P: 0.44971, R: 0.55237, F1: 0.49578, elapsed time 5.10080
[train] batch_id = 24, loss = 20.91504, P: 0.49114, R: 0.57927, F1: 0.53157, elapsed time 4.90288
[train] batch_id = 25, loss = 20.56285, P: 0.50796, R: 0.57895, F1: 0.54114, elapsed time 4.67703

In[14]

#固化训练的模型
!cd lexical_analysis/ && python freeze.py

Namespace(bigru_num=2, crf_learning_rate=0.2, emb_learning_rate=5, grnn_hidden_dim=768, label_dict_path='./conf/tag.dic', word_dict_path='./conf/word.dic', word_emb_dim=768, word_rep_dict_path='./conf/q2b.dic')
freeze done

In[15]

#利用固化的模型预测，仅打印部分预测结果
!cd lexical_analysis/ &&python freeze_infer.py

除了/p 他/r 续任/v 十二届/m 政协委员/n ,/w 马化/nz 腾/v ,/w 雷军/n ,/w 李彦宏/PER 也/d 被/p 推选为/v 新/a 一届/m 全国人/n 大代表/n 或/c 全国/ORG 政协委/n
其/f 中/f ,/w 这/r 也/d 和/c 应届/v 生就业/nz 市场/n 疲/n 软/v 有/v
城市/LOC 很脏/a ,/w 人/n 也/d 比较/d 混/vn
他们/r 均/d 拥有/v 丰富/a 的/u 实战/vn 经验/vn 与/c 行业/n 资源/n
同时/n ,/w 影片/v 相关/v 的/u 讨论/n 也/d 在/d 全英国/a 电视观/n 众面/f 前/f 进行/v 了/u 一次/m 大/a 曝/v
开/n 店/n 只有/v 技术/n 还/v 不行/v ,/w 销售业/vn 绩/s 上/f 不/d 去/v ,/w 很多/a 时令/n 鲜花/n 都烂/d 在/p 了/u 冰柜/n
我们/r 既是/v 战友/n 又/d 是/v 竞争/n 对/n 手/n ,/w 很/d 可能/v 都/d 要/v 以/p 陆军/PER 为/v 职/n
事实/n 上/v 墨子/n 显/v 然/c 过/u 分/v 夸/d 大/a 了/u 节用/n 的/u 作/n
但是/c 当晚隆/t 美尔/LOC 派/v 一个/m 机枪/n 营/n 穿过/v 大道/v 北边/n 的/u 高低起伏/n 的/u 沙丘/n ,/w 从侧/p 翼/v 对/p 英军/n 展开/vn 攻势/n ,/w 将/p 英军/n 从/p 隘/a 口击/n
若是/c 此/r 人/n 能侥/v 幸/p 从/p 太/n 子手/n 中/f 逃/v 过/u 一命/n ,/w 我少/r 不/d 得/v 要/v 出手/n ,/w 为少/r 爷/v 除/p 了/u 这个/r 祸/n
首/d 先/d 在/p 条约/v 口岸/n 直接/vn 感/v 受到/v 的/u 世界/n 市场上/n 银价/n 或/c 中国/LOC 农业/n 输/v 出品/n 行情/n 的/u 波动/n ,/w 有/v 时候/n 能/v 波/v 及/c 农/n
虽然/c 已经/d 做出诸/v 多/m 改变/v ,/w 但传统/c 银行动作/nz 还是/v 没有/v 互联网/nz 企业/n 动作/n
这些/r 与/c 物体/n 冷热程度/n 有关/v 的/u 物体/n 状态/n 和/c 性质/n 的/u 变化统/vn 称/v 为热现/v
这/r 一年/TIME ,/w 被业内/p 人士/n 称为/v "/w 微博/nz 爆发年/v
对/p 方/c 如果/c 是/v 比/p 你们/r 更/d 强大/a 的/u dps队伍/n ,/w 你们/r 当然/d 会/v
如果/c 还是/v 以/p 前/v 171/m 公分/n 的/u 身高/n ,/w 还/d 不/d 被/p 踢/v 飞出/v
我/r 这里/r 坐/n 不/d 的/u 一坐/n
导致东伯/v 侯/n 悲/d 痛/d 欲/d 绝/d
除/p 了/p 对/p 上市公司/ORG 业绩/n 变动/a 的/u 关注/vn 外/n ,/w 高送/n 转/vn 作为/n 每年/TIME 必炒/a 的/u 投资/vn 主题/n 同样/d 吸引/v 了/u 众多/m 资金关/n
精心准备/n 优质/a 选料/n ,/w 配方/vn 独特/a ,/w 加工/vn 精/n
幽/v 灵/v 绕/v 着/u 湖面/n 开始/v 了/u 他/r 新/a 的/u 一/n
不过/v ,/w 原则/n 上/f 你/r 总/v 是/v 一个/m 开创/v 通向/v 成功/v 之/u 路/n 的/u 人/n
陈/PER :/w 啊/c 这回/r ,/w 这回/r 我/r 又/d 叛变/v 了/u
会/v 造成动态范/v 围/vn 测试/vn 失败/n 的/u 两个/m 主要/a 原因/n 是/v 输/v 出/n 被/p 衰减/n 或/c 底/p 噪声/n 被/p 提/v
那/t 天晚上/TIME 狂风/v 大作/v ,/w 天色/n 阴/n 冷/n ,/w 似乎/d 预示/v 着/u 某种/r 时间/n 的/u 发/vn
房间/n 不错/d ,/w 楼道/n 里/f 还/v 有/v 饮水机/n ,/w 很方/d

点击链接，使用AI Studio一键上手实践项目吧：https://aistudio.baidu.com/aistudio/projectdetail/205019

下载安装命令

## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

>> 访问 PaddlePaddle 官网，了解更多相关内容。

飞桨PaddlePaddle