N3LDG: 一种轻量级自然语言处理深度学习库

doi:10.13209/j.0479-8023.2018.065

北京大学学报自然科学版 ›› 2019, Vol. 55 ›› Issue (1): 113-119.DOI: 10.13209/j.0479-8023.2018.065

N3LDG: 一种轻量级自然语言处理深度学习库

王潜升, 余南, 张梅山, 韩子嘉, 付国宏^†

黑龙江大学计算机科学技术学院, 哈尔滨 150080

收稿日期:2018-04-21 修回日期:2018-08-15 出版日期:2019-01-20 发布日期:2019-01-20
通讯作者: 付国宏, E-mail: ghfu(at)hotmail.com
基金资助:
国家自然科学基金(61672211, 61602160)和黑龙江省自然科学基金(F2016036)资助

N3LDG: A Lightweight Neural Network Library for Natural Language Processing

WANG Qiansheng, YU Nan, ZHANG Meishan, HAN Zijia, FU Guohong^†

School of Computer Science and Technology, Heilongjiang University, Harbin 150080

Received:2018-04-21 Revised:2018-08-15 Online:2019-01-20 Published:2019-01-20
Contact: FU Guohong, E-mail: ghfu(at)hotmail.com

摘要/Abstract

摘要：

提出一种用于自然语言处理的轻量级深度学习库N3LDG, 可以支持动态地构建计算图, 并能自动地批量化执行计算图。实验显示, 当训练卷积神经网络、双向LSTM和树结构LSTM时, N3LDG都能高效地构建与执行计算图; 当使用CPU训练上述模型时, N3LDG的训练速度优于PyTorch; 当使用GPU训练卷积神经网络和树结构LSTM模型时, N3LDG的训练速度优于PyTorch。

关键词: 深度学习库, 自然语言处理, 轻量级, CUDA

Abstract:

The authors propose a neural network library N3LDG for natural language processing. N3LDG supports constructing computation graphs dynamically, and organizing executions into batches automatically. Experiments show that N3LDG can efficiently construct and execute computation graphs when training CNN, Bi-LSTM, and Tree-LSTM. When using CPU to train above models, the training speed of N3LDG is better than that of PyTorch. When using GPU to train CNN and Tree-LSTM, N3LDG is better than PyTorch.

Key words: deep learning library, NLP, lightweight, CUDA

王潜升, 余南, 张梅山, 韩子嘉, 付国宏. N3LDG: 一种轻量级自然语言处理深度学习库[J]. 北京大学学报自然科学版, 2019, 55(1): 113-119.

WANG Qiansheng, YU Nan, ZHANG Meishan, HAN Zijia, FU Guohong. N3LDG: A Lightweight Neural Network Library for Natural Language Processing[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2019, 55(1): 113-119.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2018.065

https://xbna.pku.edu.cn/CN/Y2019/V55/I1/113

[1]	班玛宝, 才让加, 张瑞, 色差甲, 卓玛扎西. 融合双通道音节特征的藏文La格例句自动分类模型[J]. 北京大学学报自然科学版, 2022, 58(1): 91-98.
[2]	谢志鹏, 毕冉. 大规模中文具体度词典的构建及推理技术[J]. 北京大学学报自然科学版, 2022, 58(1): 1-6.
[3]	薛云霞,李寿山,王中卿. 基于社会关系网络的半监督情感分类[J]. 北京大学学报（自然科学版）, 2014, 50(1): 61-66.
[4]	贺飞艳,何炎祥,刘楠,刘健博,彭敏. 面向微博短文本的细粒度情感特征抽取方法[J]. 北京大学学报（自然科学版）, 2014, 50(1): 48-54.
[5]	张静杰,昝红英. 副词“都”用法自动识别研究[J]. 北京大学学报（自然科学版）, 2013, 49(1): 165-169.
[6]	王伟,赵东岩,赵伟. 中文新闻关键事件的主题句识别[J]. 北京大学学报（自然科学版）, 2011, 47(5): 789-796.
[7]	穗志方, 俞士汶. 汉语单句谓语中心词识别知识的获取及应用[J]. 北京大学学报（自然科学版）, 1998, 34(2): 221-230.

N3LDG: 一种轻量级自然语言处理深度学习库

N3LDG: A Lightweight Neural Network Library for Natural Language Processing

RichHTML

PDF

PDF (翻译版)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 7

编辑推荐

Metrics

留言