丹摩征文活动 |通过Pycharm复现命名实体识别模型--MECT模型
文章目录
- 🍋1 引言
- 🍋2 平台优势
- 🍋3 丹摩平台服务器配置教程
- 🍋4 实操案例（ MECT4CNER-main）
- 🍋4.1 MECT4CNER-main模型
- 🍋4.2 环境配置
- 🍋4.3 训练模型
- 🍋4.4 数据保存并导出
- 🍋5 结语
🍋1 引言
DAMODEL（丹摩智算）是专为 AI 打造的智算云，致力于提供丰富的算力资源与基础设施助力 AI 应用的开发、训练、部署。
🍋2 平台优势
- 💡 超友好！
配备 124G 大内存和 100G 大空间系统盘，一键部署，三秒启动，让 AI 开发从未如此简单！
- 💡 资源多！
从入门级到专业级 GPU 全覆盖，无论初级开发还是高阶应用，你的需求，我们统统 Cover！
- 💡 性能强！
自建 IDC，全新 GPU，每一位开发者都能体验到顶级的计算性能和专属服务，大平台值得信赖！
- 💡 超实惠！
超低价格体验优质算力服务，注册即送优惠券！还有各类社区优惠活动，羊毛薅不停！
🍋3 丹摩平台服务器配置教程
进入控制台-GPU云实例，点击「创建实例」可以快速查看目前提供的算力型号和规格，对于经过跑模型的老用户根据自己实际情况进行选择即可，对于我们新用户来说，必须选最好的4090！！！
在创建GPU云容器页面您可以：
- 选择计费方式：按量计费、包日、包月
- 选择合适的配置与主机
- 选择GPU数量
- 扩容数据盘
- 选择镜像
- 选择密钥对
- 选择完成后即可付费创建云容器
对此官方还贴心的出了一个注意事项
🍋4 实操案例（ MECT4CNER-main）
根据上次的镜像我们保持不变，具体创建实例可以参考上篇博客丹摩征文活动 | 0基础带你上手经典目标检测模型 Faster-Rcnn
🍋4.1 MECT4CNER-main模型
下面是原文链接，在GitHub仓库，感兴趣的读者可以自行下载
https://github.com/CoderMusou/MECT4CNER
这个模型的出处来自ACL2021年的一篇文章感兴趣的读者也可以自行下载并且阅读
Models and results can be found at our paper in ACL 2021 or arXiv.
下面是数据集目录
🍋4.2 环境配置
安装完Pycharm之后，我们点击File—》settings
接下来我们选择第二个
接下来我们复制访问链接和密码
这里根据格式填写访问链接
这里填写密码
这样就是成功连接上了
接下来我们选择解释器
接下来我们根据目录找到Python解释器，之后就点击OK就可以了
接下来我们就需要进行等待上传文件了
我们需要一些时间进行等待，若上传完毕，可以通过下面的代码找到我们的工程文件夹
🍋4.3 训练模型
接下来我们需要将需要的一些库都安装好
fitlog==0.3.2
torch==1.5.1+cu101
FastNLP==0.5.0
numpy==1.18.5
安装完毕，我们直接在终端输入
时间关系本文不具体展示训练过程，下面是训练的命令语句，感兴趣的读者或者对命名实体识别感兴趣的读者可以自行训练
Python main.py
接下来就可以复现代码了
🍋4.4 数据保存并导出
代码中存在可以保存日志的相关代码，训练的日志会直接保存到logs文件夹中去
🍋5 结语
平台优势：
- 价格实惠，注册送福利
- 界面简洁，不花里胡哨
- 售后优质，及时有反馈
- 性能强大，4090带你飞
通过 DAMODEL 智算云的便捷服务，我们体验到了一种全新的开发与部署方式——从资源配置、环境搭建、模型训练到结果导出，每一步都得到了高效的支持。这里我们采用经典目标检测模型 Faster-Rcnn进行测试，后续我还将会使用不同的模型进行测试，欢迎关注~
挑战与创造都是很痛苦的，但是很充实。