AllenNLP 可以让你轻松地设计和评估几乎所有 NLP 问题上最新的深度学习模型，并同基础设施一起让这些模型自由运行在云端和你的笔记本电脑上。
链接：http://allennlp.org (http://allennlp.org/)
GitHub：https://github.com/allenai/allennlp
Allen NLP 是一个基于 Apache 2.0 的 NLP 研究库，构建于 PyTorch 之上，可为开发者提供语言任务中的各种业内最佳训练模型。
快速开始
最快启用 AllenNLP 的方法是使用 Docker。如果你安装了 Docker（https://docs.docker.com/engine/installation/），你只需运行 docker run -it --rm allennlp/allennlp 来载入 AllenNLP，这样它就可以在 CPU 与 GPU 上运行了。随后，你就可以：
- 通过 allennlp/run bulk 运行示例句子
- 通过 allennlp/run serve 启动 web 服务来托管模型
- 通过 python 从 Python 解释器与 AllenNLP 之间交互编码
AllenNLP 简介
AllenNLP 构建于 PyTorch 之上，它的设计遵循以下原则：
- 超模块化和轻量化。你可以使用自己喜欢的组件与 PyTorch 无缝连接。
- 经过广泛测试，易于扩展。测试覆盖率超过 90%，示例模型为你提供了很好的模板。
- 真正的填充和覆盖，让你可以毫无痛苦地轻松实现正确的模型。
- 易于实验。可以通过符合 json 规范的全面记录重现实验过程。
AllenNLP 包含的高质量模型有 Semantic Role Labelling、Question and Answering (BiDAF)、Entailment（可分注意力）等等。
AllenNLP 主要由 Allen 人工智能实验室构建和维护，该项目也与华盛顿大学等机构共同合作。
运行 AllenNLP
设置 CONDA 开发环境
Conda 可为特定版本的 Python 设置所有为运行 AllenNLP 的依赖环境。
1.下载与安装 Conda
2.将你的目录指向 AllenNLP 的克隆
-
cd allennlp
3. 构建一个 Python 3.6 上的 Conda 环境
-
conda create -n allennlp python=3.6
4.现在激活 Conda 环境。你需要激活需要使用 AllenNLP 的每个终端中的 Conda 环境。
-
source activate allennlp
5. 安装所需的依赖环境。
-
INSTALL_TEST_REQUIREMENTS="true" ./scripts/install_requirements.sh
6.访问 http://pytorch.org/，安装相关的 pytorch 包。
7.为重复实验设置 PYTHONHASHSEED。你可能会在.bashrc 中需要这样做。
-
export PYTHONHASHSEED=2157
现在，你应该可以用 pytest -v 来测试安装结果了。
构建 Docker 开发环境
Docker 为虚拟机提供了运行 AllenNLP 的所有设置，无论你想在 GPU 还是 CPU 上运行都很简单。Docker 可以提供更多的隔离和一致性，也可以轻松地把你设置的环境分发到计算机集群中去。
下载预构建的 Docker 图
运行预构建的 Docker 环境非常简单。AllenNLP 配置了 Docker Cloud 用于在主分支每次更新时构建新图。下载链接：https://hub.docker.com/r/allennlp/
-
docker pull allennlp/allennlp:latest
构建一个 Docker 图
以下是创建在 CPU 或 GPU 上运行的 Docker 环境的方法。以下命令可能会需要一些时间来运行，它会完全构建运行 AllenNLP 所需的环境。
-
docker build --tag allennlp/allennlp .
你现在可以通过运行 docker images allennlp 来观察图了。
-
REPOSITORY TAG IMAGE ID CREATED SIZE -
allennlp/allennlp latest b66aee6cb593 5 minutes ago 2.38GB
运行 Docker 图
你可以使用 docker run --rm -it allennlp/allennlp 来运行图。--rm 标记清理图，-it 可以使会话交互，以便使用 Docker 镜像启动的 bash shell。
Docker 环境使用 Conda 来安装 Python 并自动进入 Conda 环境「allennlp」。你可以通过运行 pytest -v 来测试安装结果。
设置 Kubernetes 开发环境
Kubernetes 可将你的 Docker 图部署到云端，这样就可以在 AWS 上拥有可重现的开发环境。
- 设置 kubectl 连接到你的 Kubernetes 集群中。
- 运行 kubectl create -f /path/to/kubernetes-dev-environment.yaml。这会在集群上创建一个「job」，随后可以使用 bash 连接。请注意，你将使用将推送的最后一个 Docker 文件，因此源代码可能与本地内容不符。
- 检索使用 kubectl describe job <JOBNAME> --namespace=allennlp 创建的 pod 名称。pod 名称将会是你的 job 名之后加上一些其他字符。
- 使用 kubectl exec -it <PODNAME> bash 获取容器内的 shell。
- 完成后，不要忘记使用 kubectl delete -f /path/to/kubernetes-dev-environment.yaml 来关闭 job。
模型
借助易于运行的基础设施，AllenNLP 在合理的运行时间内展现了强大性能。
机器理解
机器理解（MC）模型通过选择证据文本中的答案范围回答自然语言问题。AllenNLP MC 模型是 BiDAF 或者双向注意力流的再实现 (参见 Seo et al, 2017)，后者是一个广泛应用的 MC 基线并在 SQuAD 数据集上获得了几近当前最佳的精确度。AllenNLP BIDAF 模型在 SQuAD 开发套件上实现了 68.7 的 EM 得分，略高于原始 BIDAF 系统 67.7 的分值，尽管后者也在 10x 的提速上做了训练（p2.xlarge 上 4 个小时）。
语义角色标注
语义角色标注（SRL）模型恢复了语句的潜在谓词参数结构。SRL 构建了回答语义基本问题的表征，包括「谁」对「谁」做了「什么」等等。AllenNLP SRL 模型是深度 BiLSTM 模型 (He et al, 2017) 的再实现，它非常匹配已公开的模型，在 CoNLL 2012 取得了 78.9 的 F1 分数。
文本蕴涵
文本蕴涵（TE）模型使用一对语句预测第一句中的事实是否蕴含着第二句的事实。AllenNLP TE 模型是可分解式注意力模型的再实现（Parikh et al, 2017），后者是一个广泛使用的 TE 基线，它相对简单，并在 SNLI 数据集取得了几近当前最佳的性能。AllenNLP TE 模型在 SNLI 测试数据集上的精确度高达 84.7，相比之下原始系统的分值是 86.3。 
