GluonNLP让NPL变得更加简单

之前我们讲过NPL(自然语言处理)，使用的是NLTK这样一个包，现在呢，我们又有了新的法宝----GluonNPL。在做自然语言处理上能帮我们提升不少效率。

GluonNLP提供了NLP中最先进的(SOTA)深度学习模型的实现，并为文本数据管道和模型构建块。它是为工程师，研究人员和学生设计的，以快速原型研究想法和产品基于这些模型。这个工具包提供了三个主要特性:

1、训练脚本复制SOTA结果报告在研究论文。

2、针对普通NLP任务的预训练模型。

3、精心设计的api大大降低了实现的复杂性。

安装：

pip install --pre --upgrade mxnet

pip install gluonnlp

在安装gluonnlp之前需要安装mxnet的依赖。

笔者在本地没有GPU的环境，就借用了谷歌的COLAB来试了一下。

COLAB地址：

https://colab.research.google.com/drive/1YLVDj7DLuEMjDOJI8rvi-HBveUoEbSnt#scrollTo=a5k2vooFJHKx

安装完之后我们就可以调用啦！

我们来看一个小小的例子：

比较两个单词baby和infant的相似度

我们可以看到输出的对比结果为0.740

我们可以看看使用gluonnlp是如何搭建评估模型和训练模型的：

首先导入相应的包：

设置一下环境：

初始化参数：

加载数据集，提取词汇表，对截断的BPTT进行数值化和批处理

加载预定义的语言模型：

分离梯度：

评估：

训练阶段：

训练和评估：

输出：

在这个示例中，我们看到:GluonNLP Toolkit提供了高级api，可以极大地简化NLP任务建模的开发过程。低级的NLP api可以轻松定制。

如果还想了解更多，点击阅读原文吧！