用 uie ，github 搜一下就好了。 你的文本其实很规则，抽取的是地址小区街道这种，自己标个几百条数据。训练下 uie ，如果没 gpu 就用 uie tiny 。

好学呀

这种垃圾开眼了

@Endeavor 是的 我的一年

复杂的搞不定，以前没有的写不了，就写一些片段和功能函数。其余还是自己来吧！

cpu 和 gpu 服务器价格差非常大，几千倍都可能。
tensorflow 部署在 1c1g 够呛，至少 4c8g 这种吧！

半月完闹呢

@lthon 真的是这个，Tools->Actions on save, 取消 optimize import.就好了。谢谢！

@zjp 我也找了这个，Pycharm 跟 IDEA 不一样。关键它还自动排列你的 import ，烦死了。不过，谢谢啦！

model 的权重都没有怎么调

8 张 a100 gpu 加你的数据集 跑起来基本跑满。

怕怕，就不进来了

下面是一个使用 PyTorch 实现知识蒸馏的简化代码例子：
# 首先，我们需要导入必要的库
import torch
import torch.nn as nn

# 定义数据集
X = ... # 输入数据
y = ... # 标签

# 定义大型预训练模型
pretrained_model = ...

# 使用大型预训练模型对数据集进行预测
# 这些预测将作为辅助标签
soft_labels = pretrained_model(X)

# 定义较小的模型
small_model = ...

# 定义损失函数
# 这里，我们将使用交叉熵损失函数
# 并将辅助标签作为目标
loss_fn = nn.CrossEntropyLoss(reduction="mean")
loss = loss_fn(y, soft_labels)

# 使用随机梯度下降优化器优化模型参数
optimizer = torch.optim.SGD(small_model.parameters(), lr=0.001)
optimizer.zero_grad()
loss.backward()
optimizer.step()

NLP 也凑合能用

反正能跑就行了