這里邊主要識別的實體如圖所示，其實也就主要識別人名PER，機構ORG和地點LOC： B表示開始的字節，I表示中間的字節，E表示最后的字節，S表示該實體是單字節
例子：
實現架構：
1. 讀取數據集，數據集共三個文件，訓練集，交叉測試集和測試集，文件中每一行包含兩個元素，字和標識。每一句話間由一個空格隔開
2. 處理數據集
1） 更新數據集中的標簽，如： 單獨的B-LOC→S-LOC，B-LOC,I-LOC→B-LOC,E-LOC，B-LOC,I-LOC,I-LOC→B-LOC, I-LOC, E-LOC
2） 給每個char和tag分配一個id，得到一個包含所有字的字典dict，以及char_to_id, id_to_char, tag_to_id, id_to_tag, 將其存在map.pkl中
3. 准備訓練集
將訓練集中的每句話變成4個list，第一個list是字，如[今，天，去，北，京]，第二個list是char_to_id [3,5,6,8,9]，第三個list是通過jieba分詞得到的分詞信息特征，如[1,3,0,1,3] （1，詞的開始，2，詞的中間，3，詞的結尾，0，單個詞），第四個list是target，如[0,0,0,2,3](非0的元素對應着tag_to_id中的數值)
4. BatchManager 將訓練集划分成若干個batch，每個batch有20個句子，划分時，是現按句子長度從大到小排列
5. 配置model的參數
6. 構建模型
1）input： 輸入兩個特征，char_to_id的list以及通過jieba得到的分詞特征list
2）embedding: 預先訓練好了100維詞向量模型，通過查詢將得到每個字的100維向量，加上分詞特征向量，輸出到drouput(0.5)
3）bi-lstm
4）project_layer：兩層的Wx+b 邏輯回歸
5）loss_layer：內嵌了CRF