一、模型框架图
二、分层介绍
1）ALBERT层
albert是以单个汉字作为输入的(本次配置最大为128个，短句做padding)，两边分别加上开始标识CLS和结束标识SEP，输出的是每个输入word的embedding。在该框架中其实主要就是利用了预训练模型albert的词嵌入功能，在此基础上fine-tuning其后面的连接参数，也就是albert内部的训练参数不参与训练。
2）BiLSTM层
该层的输入是albert的embedding输出，一般中间会加个project_layer，保证其输出是[batch_szie,num_steps, num_tags]。batch_size为模型当中batch的大小，num_steps为输入句子的长度，本次配置为最大128，num_tags为序列标注的个数，如图中的序列标注一共是5个，也就是会输出每个词在5个tag上的分数，由于没有做softmax归一化，所以不能称之为概率值。
3）CRF层
如果没有CRF层，直接按BiLSTM每个词在5个tag的最大分数作为输出的话，可能会出现【B-Person，O，I-Person，O，I-Location】这种序列，显然不符合实际情况。CRF层可以加入一些约束条件，从而保证最终预测结果是有效的。
例如：
句子的开头应该是“B-”或“O”，而不是“I-”。
“B-label1 I-label2 I-label3…”，在该模式中，类别1,2,3应该是同一种实体类别。比如，“B-Person I-Person” 是正确的，而“B-Person I-Location”则是错误的。
“O I-label”是错误的，命名实体的开头应该是“B-”而不是“I-”。
这些约束可以在训练数据时被CRF层自动学习得到，这种异常的序列出现概率就会大大降低。
三、如何训练？
在从BiLSTM层进入到CRF层时，会有多种路径选择，像上图中会有5x5x5x5x5种路径可能，假设s是我们要寻找的正确路径，其出现的概率如下：
e是当前序列的分数，分母是所有序列分数的和，这也是我们的求解loss function。
传统CRF主要由特征函数组成，一个是状态特征函数，一个是转移特征函数，函数的值要么为1，要么为0，通过训练其权重λ来改变特征函数的贡献。而这里对路径s的训练没有权重，但也是由两部分组成：
1）EmissionScore（发射分数）：由BiLSTM层训练输出的每个位置对各个tag的分数，就是上图中输出的红色字体分数。
2）TransitionScore （转移分数）: 这部分主要由CRF层训练得到，如下图
所以，S=EmissionScore+TransitionScore
举例：
对于序列来说，比如有一个序列是“START B-Person I-Person O B-Location O END”,则
EmissionScore=x+x+x+x+x+x+x
TransitionScore=t+t+t+t+t+t
e=e
训练过程：
在训练的时候，BiLSTM层和CRF层的所有参数都会统一求导纳入到训练步骤中，BiLSTM层主要训练其神经网络的参数，而CRF层的参数就是上述转移矩阵，会首先初始化一个转移矩阵参数，然后通过求导不断改变其转移矩阵参数，其训练的目标就是使得正确的路径是所有路径中出现的概率最大，也就是上文的P(y|x)最大。
#初始化转移矩阵
trans = tf.get_variable("transitions",shape=[self.num_tags + 1, self.num_tags + 1],initializer=self.initializer) #CRF层的返回结果就是最新的转移矩阵参数，每一次更新后，再把新的参数传进去，继续更新
log_likelihood, trans = crf_log_likelihood(
inputs=logits,
tag_indices=targets,
transition_params=trans,
sequence_lengths=lengths+1)
损失函数通常会变为-log(p(y|x))，这样就转换成了求解最小值，利用梯度下降法求解即可。
总结：其实BiLSTM+CRF与传统CRF类似，都是有两部分组成，只不过BiLSTM层负责了发射分数的训练，而CRF层负责转移分数的训练。