معرفی شرکت ها

bert-deid-0.2.3

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.2.3
0.2.2
0.2.1
0.2.0
0.1.2
0.1.1
0.1
0.2.3
0.2.2
0.2.0
0.1.2
0.1.1
0.1

توضیحات

Remove identifiers from data using BERT
ویژگی مقدار
سیستم عامل -
نام فایل bert-deid-0.2.3
نام bert-deid
نسخه کتابخانه 0.2.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Alistair Johnson
ایمیل نویسنده aewj@mit.edu
آدرس صفحه اصلی https://github.com/alistairewj/bert-deid
آدرس اینترنتی https://pypi.org/project/bert-deid/
مجوز Apache 2.0
# bert-deid Code to fine-tune BERT on a medical note de-identification task. ## Install * **(Recommended)** Create an environment called `deid` * `conda env create -f environment.yml` <!-- * conda: `conda install bert-deid` --> * pip install locally * `pip install bert-deid` ## Download To download the model, we have provided a helper script in bert-deid: ```sh # note: MODEL_DIR environment variable used by download # by default, we download to bert_deid_model in the current directory export MODEL_DIR="bert_deid_model" bert_deid download ``` ## Usage The model can be imported and used directly within Python. ```python from bert_deid.model import Transformer # load in a trained model model_path = 'bert_deid_model' deid_model = Transformer(model_path) with open('tests/example_note.txt', 'r') as fp: text = ''.join(fp.readlines()) print(deid_model.apply(text, repl='___')) # we can also get the original predictions preds = deid_model.predict(text) # print out the identified entities for p, pred in enumerate(preds): prob = pred[0] label = pred[1] start, stop = pred[2:] # print the prediction labels out print(f'{text[start:stop]:15s} {label} ({prob:0.3f})') ```


نیازمندی

مقدار نام
>=3.4.5 nltk
>=1.1.0 mpmath
>=1.19.2 numpy
>=1.1.3 pandas
>=4.2.0 pytest
>=1.6.0 pytorch
>=0.23.2 scikit-learn
>=2.3.2 spacy
>=1.6.2 sympy
>=4.32.1 tqdm
>=2020.10.23 regex
>=3.4.0 transformers
>=0.9.2 tokenizers
>=0.2.0 stanfordnlp
>=1.32.0 google-cloud-storage


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl bert-deid-0.2.3:

    pip install bert-deid-0.2.3.whl


نصب پکیج tar.gz bert-deid-0.2.3:

    pip install bert-deid-0.2.3.tar.gz