介绍

AllenNLP是由AllenAI提出的基于pytorch的NLP框架，与ELMO师出同门。据项目领导人Matt Gardner所说，该框架是在问题“NLP实验的最优实践方式”下提出的。
在EMNLP2018上，AllenAI对该框架做了介绍：演讲ppt。
ppt讲述该框架的指导原则，也是NLP实验的指导原则，受益匪浅。
我将这个ppt上传到百度网盘(提取码：ywm2)，方便github速度慢的同学下载。

评价

使用了一段时间的AllenNLP，我从抗拒迷茫到爱不释手，不仅是因为它提高了我的编程生产力，而是因为体会到它的软件工程思想。

除了少部分工程能力极强的大神，大部分研究者的code在“软件工程”这个范畴之内是与工业界有着一定的差距的。
可能有人会说作为一个researcher，我只需快速迭代idea，验证想法就可以了。
但是一份遵循规范的code恰恰可以加速实验的迭代。例如单元测试可以更好的确保code没有bug，设计良好的模块化可以更方便的帮助我们构建模型的不同变种等等。

作者：Suneburg
链接：https://www.zhihu.com/question/65122939/answer/527370392
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

把AllenNLP的哲学用一个词概括，那就是软件工程，相比pure pytorch，它上手可能很慢，代码量可能更多，因为你要花时间学习代码规范，但你一旦熟悉了这种编程风格，就能从冗杂的实验中解脱出来。

我为什么推崇AllenNLP，以及AN中的核心抽象

我认为，抽象是计算机科学的核心概念（想想网络七层协议），而AllenNLP就通过抽象概念和概念之间的松耦合，为AI实验划定了层次。

1. DataReader
2. DataIterator
3. Model
4. Trainer
5. Predictor

以上是AI实验流水线的核心部件，AllenNLP将他们松耦合地组装起来，这不仅意味着你可以复用代码，更意味着你可以独立地构建任何一个部件，只要它符合组装规范。

当你在编写模型的时候，可以在代码内执行单元测试，当代码编写完毕之后，使用了jsonnet描述参数：参数修改，实验结果记录无需进入代码，换句话说，不同参数，不同模型的集成测试以统一接口和接口描述文件的形式进行。


这是AN最实用的特性，就我个人而言，也宁愿在编写模型时多费功夫，来获得实验时清晰的视角。

可惜的是，AN的学习资料较少，强抽象带来的入门难度大，对于初学者很不友好，网上（包括外网）没有一篇教程将思想与代码实践结合讲解，AllenAI之前关于pipeline的教程也丢失了。我会尝试着自己写几篇<AllenNLP框架下工程化的AI实验>，希望能起到帮助。

最后，推荐一种自学入门方式：既然AllenNLP的强项不是它为NLP实验提供的built-in package，而是它提供的松耦合思想，那么通过阅读代码体会不同模块之间耦合方式，体会核心概念，把他们当作tutorial，而不是当作节省代码的工具（在真正的实验中很少能直接套用的，毕竟allennlp每种工具也只提供了most fundamental ones），最终以它的思想和框架搭建自己的实验平台。