ting
执行：trainer.train(train_dataset, epochs=3, batch_size=32, eval_dataset=dev_dataset, save_interval=1) # 配置训练参数，启动训练，并指定验证集 报错：KeyError -100 项目链接： https://paddlehub.readthedocs.io/zh_CN/release-v2.1/finetune/sequence_labeling.html
> 这个我测过 batch_size=2和batch_size=32 64基本时间没差距，就是GPU内存使用率的问题。cpu拉过来的数据到GPU都是瞬间算完，影响预测时间主要卡在cpu到GPU这个过程
可以参考Paddlenlp之UIE分类模型【以情感倾向分析新闻分类为例】含智能标注方案） https://aistudio.baidu.com/aistudio/projectdetail/4337189?contributionType=1
> evaluate.py debug输出的各类别集合和数据集内"prompt"字段内容集合是一样的 那样不是很不友好呀，关系抽取得prompt好像是 “” xxx的xxx“” 做关系抽取关系数据，希望看到所有“”高管“”关系抽取的ACC等指标，这样一条一条看有点麻烦呀：
> 1. 学生模型支持同时进行实体、关系和事件抽取任务，观点抽取前后处理和其他类型任务稍微有些区别 > 2. 同源指的是和已有标注数据来源相同的无监督数据，在具体的业务场景中就是业务相关的无标注文本 > 3. 示例主要展示的是小样本定制模型从开放域到封闭域迁移的流程，当然如果标注数据足够多的话是可以直接用封闭域模型训练的 好的十分感谢！ 在这个蒸馏版本基础上，想请问一下后续UIE也会支持量化、剪枝、NAS等方案嘛，以及cpu多核多进程处理，多卡推理部署等
更新一步，通过修改召回数量，从100---》10，发现在运行结果上与官方成功案例一致，但上述疑问仍存在。 ``` PipelineClient::predict pack_data time:1690963720.3993883 PipelineClient::predict before time:1690963720.4000175 Extract feature time to cost :0.009766101837158203 seconds === start connecting to Milvus === === Connect collection literature_search === Search milvus time cost...
> > > > 您是多卡训练的吗？训练配置是啥？我记得我训练的时候是多卡 训练配置单卡V100 ，不用全量训练只是验证一下流程，反馈的内容主要是推理阶段遇到的问题
> 您说的是召回的数量对结果的影响是吗？这个可能是重排序模型引起的 * 第一个问题： 首先是提供码源有bug，run.system.py文件中一个bug ``` def rerank(df): .... result = np.array(eval(ret.value[0])) df["distance"] = result ... [0.00703308 0.00505753 0.00439458 0.00474953 0.00432936 0.00410844 ^ SyntaxError: invalid syntax ``` 修改后可运行排序 ``` #修改如下：...