crf层需自定义或使用tensorflow-addons；tf≤2.14用tfa.layers.crf，tf≥2.15需手写，核心是前向算法与viterbi解码，输入为logits，loss为负对数似然。
CRF层在TensorFlow里必须用tf.keras.layers.Layer自定义
TensorFlow官方Keras没有内置CRF层，直接调用tf.keras.layers.CRF会报AttributeError。你得自己封装CRF逻辑，或依赖第三方库（如tensorflow-addons）。但注意：tensorflow-addons的tfa.layers.CRF只支持TensorFlow 2.8–2.14，且不兼容TF 2.15+（因底层tf.linalg.band_part行为变更）。
推荐做法是：用tfa.layers.CRF（TF ≤2.14）或手写CRF层（TF ≥2.15）。手写时核心是实现前向算法和Viterbi解码，不能只靠tf.nn.softmax——那只是逐帧归一化，不是序列级建模。
- CRF层输入必须是logits（未softmax），shape为
(batch_size, seq_len, num_tags) - 转移矩阵需初始化为
tf.Variable，shape为(num_tags, num_tags)，不能是常量 - 训练时loss要包含标签路径得分与所有路径总分之差，即
log_likelihood取负
用tensorflow-addons加载CRF层的典型报错及修复
常见错误是ModuleNotFoundError: No module named 'tfa'或InvalidArgumentError: input must be at least 2-dim。前者说明没装对版本；后者多因输入张量少了一维——CRF层要求输入是3D，而LSTM输出若用了return_sequences=False，只剩2D，必须设为True。
安装命令要严格匹配TF版本：
pip install tensorflow-addons==0.21.0 # for TF 2.11–2.14 pip install tensorflow-addons==0.20.0 # for TF 2.10
模型构建示例：
import tensorflow as tf import tensorflow_addons as tfa <p>model = tf.keras.Sequential([ tf.keras.layers.Embedding(vocab_size, 100), tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(128, return_sequences=True)), tf.keras.layers.Dense(num_tags), # logits, not softmax! tfa.layers.CRF(num_tags) # 自动处理转移矩阵和loss ])</p>
- 必须在
Dense后接CRF，且Dense不能带activation='softmax' -
tfa.layers.CRF默认返回(decoded_sequence, log_likelihood)，训练时要用log_likelihood作为loss - 预测时用
model.predict()得到的是decoded_sequence，不是概率分布
手动实现CRF层的关键三步：转移矩阵、前向算法、Viterbi
手写CRF不难，但容易在维度和mask处理上出错。核心不是重写整个算法，而是正确调用tf.linalg.band_part（旧版）或改用tf.where + tf.scatter_nd（新版）构造转移约束；前向算法中每步需用tf.reduce_logsumexp而非tf.reduce_sum，否则数值溢出。
- 转移矩阵初始化建议用
tf.random.normal((num_tags, num_tags), stddev=0.1)，避免全零导致梯度消失 - 输入mask必须是布尔型
tf.bool，传入前向函数前要转成tf.float32并广播到logits维度 - Viterbi回溯时，用
tf.TensorArray暂存每步最大路径索引，不能用Python list
关键片段示意（简化版前向）：
def crf_log_likelihood(logits, tags, trans, mask):
# logits: [B, T, N], tags: [B, T], trans: [N, N], mask: [B, T]
sequence_lengths = tf.reduce_sum(tf.cast(mask, tf.int32), axis=1)
log_likelihood, _ = tfa.text.crf_log_likelihood(
logits, tags, sequence_lengths, trans
)
return log_likelihood
注意：tfa.text.crf_log_likelihood是底层C++实现，比纯tf手写快且稳，只要TF版本兼容就优先用它。
训练时loss和metrics容易混淆的两个点
CRF模型的loss必须是-log_likelihood，不是sparse_categorical_crossentropy。否则模型学不会标签间依赖关系，性能掉点明显（NER任务F1常降5–10%）。同样，评估指标也不能用SparseCategoricalAccuracy——它只比对单个token，忽略序列约束。
- 训练loss设为
lambda y_true, y_pred: -crf_log_likelihood(y_pred, y_true, trans, mask) - 自定义metric需在
update_state中调用tfa.text.crf_decode获得预测标签，再与真实标签逐元素比较 - 如果用
model.compile(loss='sparse_categorical_crossentropy')，哪怕后面接了CRF层，loss也完全失效
最稳妥的方式是把CRF loss写进训练循环里，绕过Keras自动loss机制，尤其在TF ≥2.15时更可控。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
