科研训练第六周：关于《Learn from Syntax: Improving Pair-wise Aspect and Opinion Terms Extraction with Ric》的复现——

时间确实比较紧张，进度稍微有点停滞，课设结束啦，我得赶一下科研的进度~~

服务器的内存不够用是我没想到的，大概是有别人也在跑叭

数据处理感觉还是得本地跑一下然后save,云端报错如下：

看回答说是request请求太多被拒绝了🙄
————————————10.18————————————————————
本周的计划：

• 完成数据预处理阶段的事情（大概是一直到词向量生成阶段叭）
• datasets下的文件全部看完（自己上手写一下）
• 读论文叭（感觉还是要有输入才行）

这周赶进度，不然下周又开始忙起来啦！

————————————10.19————————————————————

果然是服务器被占用的问题，下次还是乘早跑代码（哈哈，悄悄写bug然后惊吓所有人），不过预处理部分的话，其实用资源的地方还是不多。本地的遗留问题还是得解决

贴一下io_utils.py的问题：
好像服务器不同接口用的yaml的版本有区别，11021端口的话，Loader=yaml.FullLoader需要注释掉才能正常运行，11022和本地的话必须加上这个，否则报错（第22行）

def read_yaml(path, encoding='utf-8'):with open(path, 'r', encoding=encoding) as file:#input, Loader=yaml.FullLoaderreturn yaml.load(file.read(),Loader=yaml.FullLoader)

结束了数据处理，因为是原始文件生成json所以那部分的代码自己的本周的要求是跑通就好，
之前在terminal一直报错（什么远程服务器拒绝连接），但是诡异的是用pycharm直接run的时候又没有问题了，但是源码里的路径需要自己修改一下

要求是写完单词表示部分的代码，一开始觉得还好，看完才知道一堆代码要啃吖😂

关于LAGCN

import torch
import torch.nn as nn
class LAGCN(nn.Module):"""也就是说，这一层有前馈与反馈"""def __init__(self,dep_dim,in_features,out_features,pos_dim=None,bias=True):"""in_features:bert_dimout_features:bert_dim"""super(LAGCN,self).__init__()self.dep_dim=dep_dim #依赖边的维度self.pos_dim=pos_dim #pos维度self.in_features=in_features #词向量的维度self.out_features=out_features"""# 一个说明：对输入数据做线性变换：\(y = Ax + b\)# 参数： in_features - 每个输入样本的大小 out_features - 每个输出样本的大小# bias - 若设置为False，这层不会学习偏置。默认值：True 形状"""self.dep_attn=nn.Linear(dep_dim+pos_dim+in_features,out_features)self.dep_fc=nn.Linear(dep_dim,out_features)#TODO:应该是对于依赖的参数self.pos_fc=nn.Linear(pos_dim,out_features)#TODO:对于pos的参数def forward(self,text,adj,dep_embed,pos_embed=None):""":param text: [batch size, seq_len, feat_dim]:param adj: [batch size, seq_len, seq_len]--------------------------依赖边的邻接矩阵:param dep_embed: [batch size, seq_len, seq_len, dep_type_dim]:param pos_embed: [batch size, seq_len, pos_dim]:return: [batch size, seq_len, feat_dim]"""batch_size,seq_len,feed_dim=text.shapeval_us=text.unsqueeze(dim=2)# 应该是对于默认位置插入维度2val_us=val_us.repeat(1,1,seq_len,1)# 沿着指定的维度重复tensorpos_us=pos_embed.unsqueeze(dim=2).repeat(1,1,seq_len,1)# 最终得到的形状是[batch_size seq_len,seq_len,feat_dim+pos_dim+dep_dim]val_sum=torch.cat([val_us,pos_us,dep_embed],dim=-1)# 横向拼接r=self.dep_attn(val_sum)p=torch.sum(r,dim=-1)#TODO:不懂mask=(adj==0).float()*(-1e30)#TODO:是对于不存在依赖边的一种最小化他们的影响吗p=p+maskp=torch.softmax(p,dim=2)p_us=p.unsqueeze(3).repeat(1,1,1,feed_dim)output=val_us+self.pos_fc(pos_us)+self.dep_fc(dep_embed)output=torch.mul(p_us,output)output_sum=torch.sum(output,dim=2)# 输出的那个给顶层使用的return r,output_sum,p#这个输出

——————————————10.21————————————————
关于coreNlp:

命令行输入，保持cmd的窗口打开，9000窗口可以运行
java -mx4g -cp “*” edu.stanford.nlp.pipeline.StanfordCoreNLPServer -port 9000 -timeout 15000

————————10.24——————
节日快乐
写完bert的小DEMO啦
开心😃