这里不过多阐述NER任务是啥了，具体来看看他的作用，并且举了一个例子，让大家理解更加深刻
、
上图说明模型的输出是每个标签的分数。例如，对于w0, 模型的输出为1.5 (B-Person)、0.9 (I-Person)、0.1 (B-Organization)、0.08 (I-Organization)和0.05 (O)，这些分数将作为CRF层的输入。然后，将模型预测的所有分数输入CRF层。在CRF层中，选择预测得分最高的标签序列作为最佳答案。例如，对于w0，“B-Person”得分最高(1.5)，因此我们可以选择“B-Person”作为其最佳预测标签。同样，我们可以为w1选择“I-Person”，为w2选择“O”，为w3选择“B-Organization”，为w4选择“O”。虽然在这个例子中我们可以得到正确的句子x的标签，但是并不总是这样。再试一下下面图片中的例子。显然，这次的输出是无效的。因为“I-Organization I-Person”不符合我们的规则。
CRF层可以从训练数据中学到约束
CRF层可以在最终的预测标签添加一些约束，以确保它们是有效的。这些约束可以由CRF层在训练过程中从训练数据集自动学习。
约束条件可以是：
下面是具体的一个过程
步骤1：模型的Emission和transition得分
假设，我们有一个包含三个单词（w0w1w2）的句子：标签为I1，I2
模型得到了Emission分数，从下面的CRF层得到了transition分数：
Xij表示wi被标记为lj的得分。
tij是从标签i转换成标签j的得分。
步骤2：开始推理
我们将从句子的左到右进行推理算法，如下图所示：
你会看到两个变量：obs和previous。previous存储前面步骤的最终结果。obs表示当前单词的信息。
Alpha0是历史最好得分，Alpha1是历史对应的索引。这两个变量的细节将在它们出现时进行解释。请看下面的图片：你可以把这两个变量当作狗在探索森林时沿路留下的“记号”，这些“记号”可以帮助狗找到回家的路。
现在，我们观察到第一个单词，现在，对于是很明显的。
比如，如果obs=[x01=0.2 , x02=0.8]，很显然，w0的最佳的标签是l2。
因为只有一个单词，而且没有标签直接的转换，transition的得分没有用到。
然后：
为下一次迭代更改previous的值：
比如，如果我们的得分是：
我们的下个迭代的previous是：
previous有什么含义吗? previous列表存储了每个当前的单词的标签的最大的得分。
举个例子：
我们知道在我们的语料中，我们总共只有2个标签，lable1(l1)和lable2(l2)。这两个标签的索引是0和1。
previous[0]是以第0个标签为结尾的路径的最大得分，类似的previous[1]是以第1个标签为结尾的路径的最大得分。在每个迭代中，变量previous存储了以每个标签为结尾的路径的最大得分。换句话说，在每个迭代中，我们只保留了每个标签的最佳路径的信息,具有小得分的路径信息会被丢掉。
回到我们的主任务：
同时，我们还有两个变量用来存储历史信息（得分和索引），Alpha0和Alpha1。
在这个迭代中，我们把最佳得分加上，为了方便，每个标签的最大得分会加上下划线。
另外，对应的列的索引存在里。
说明一下，l1的索引是0，l2的索引是1，所以(1,1)=( l1, l2)表示对于当前的单词wi和标签l(i)，当路径是的时候，我们可以得到最大的得分是0.5，当路径是的时候，我们可以得到最大的得分是0.4。是过去的单词的标签。
然后：
为下一次迭代更改previous的值：
这次迭代我们得到的分数是：
我们得到最新的previous：
实际上，previous[0]和previous[1]中最大的那个就是预测的最佳路径。
同时，每个标签和索引的最大得分会加到上和上。
步骤3：找到具有最高得分的最佳路径
这是最后一步！你就快完成了！在此步骤中，将使用Alpha0和Alpha1来查找得分最高的路径。我们将从最后一个到第一个的元素检查这两个列表中。
首先，检查Alpha0和Alpha1的最后一个元素：(0.8,0.9)和(1,0)。0.9表示当label为l2时，我们可以得到最高的路径分数0.9。我们还知道l2的索引是1，因此检查(1,0)[1]=0的值。索引“0”表示前一个标签为l1(l1的索引为0)，因此我们可以得到是的最佳路径是
其次，我们继续向后移动并得到Alpha1：(1,1)的元素。从上一段我们知道w1的label是l1(index是0)，因此我们可以检查(1,1)[0]=1。因此，我们可以得到这部分的最佳路径:
我们这个例子中的最佳路径是:
