ner计算准召的坑

1、踩了个大坑，记录一下

声明：不喜欢写estimator所以才踩的坑

1、from tensorflow.contrib import crf 如果想使用这个函数，tensorflow的版本号要在1.14以下，1.12就可以，不要相信那些乱七八糟要求各种版本的

2、

log_likelihood, trans = tf.contrib.crf.crf_log_likelihood(
    inputs=logits,
    tag_indices=self.labels,
    sequence_lengths=self.lengths,
    transition_params=trans)
return tf.reduce_mean(-log_likelihood)=loss, trans

pred_ids, _ = crf.crf_decode(potentials=logits, transition_params=trans, sequence_length=self.lengths)

crf函数可以返回函数的损失，转移矩阵，最有路径的结果，我们要根据最有路径的结果与原始标签来计算acc和recall

3、input_label是真实标签（？*100）？表示batch_size的大小；pred_ids是预测标签（？*100）？表示batch_size的大小

acc = a（预测为实体且真实为实体的个数）/b（预测为实体的个数）

recall = a（预测为实体且真实为实体的个数）/c（实际实体的个数）

首先你要知道你实体的标签id是什么，如["O", "B-person", "CLS", "Seq"]，那么你的标签id就是1

先计算a，思路步骤：

         1、input_label中元素为1，2，3的位置置true，其余位置false，并转换成float。mid_1_1 = tf.cast(tf.equal(self.input_label, 1)，tf.float32)

         2、input_label和pred_ids中相同位置元素相同置true，否则置false，与转换成flaot。mid_1 = tf.cast(tf.equal(self.input_label, self.pred_ids),tf.float32)

        3、两个相乘得到的结果就是a。mid_1_1_1 = tf.reduce_sum(tf.multiply(mid_1_1, mid_1))

计算b，思路步骤：

        1、计算pred_ids中为实体的元素位置：mid_2_1 = tf.equal(self.pred_ids, 1)

        2、recall_ner = tf.reduce_sum(tf.cast(mid_2_1, tf.float32))

计算c，思路步骤：true_ner = tf.reduce_sum(tf.cast(mid_1_1, tf.float32))

acc还是precision我记不清了

acc = a/b

recall = a/c