一个可训练的句子分割流水线组件。如需更简单的基于规则的策略，请参阅Sentencizer。

Assigned Attributes

预测值将被赋值给Token.is_sent_start。生成的句子可以通过Doc.sents访问。

配置与实现

默认配置由管道组件工厂定义，描述了组件应如何配置。您可以通过nlp.add_pipe中的config参数或在训练用的config.cfg中覆盖其设置。有关架构及其参数和超参数的详细信息，请参阅模型架构文档。

explosion/spaCy/master/spacy/pipeline/senter.pyx

SentenceRecognizer.__init__ 方法

初始化句子识别器。

创建一个新的管道实例。在您的应用程序中，通常会使用快捷方式，通过其字符串名称并使用nlp.add_pipe来实例化该组件。

SentenceRecognizer.__call__ 方法

将管道应用于单个文档。文档会被原地修改并返回。 这通常在调用nlp对象处理文本时自动完成， 所有管道组件会按顺序应用于Doc对象。 __call__和 pipe方法都会委托给 predict和 set_annotations方法。

SentenceRecognizer.pipe 方法

将管道应用于文档流。这通常在调用nlp对象处理文本时自动完成，所有流水线组件会按顺序应用于Doc对象。__call__和pipe方法都会委托给predict和set_annotations方法执行。

SentenceRecognizer.initialize 方法

初始化组件以进行训练。get_examples应是一个返回可迭代Example对象的函数。至少需要提供一个示例。这些数据示例用于初始化组件模型，可以是完整的训练数据或代表性样本。初始化过程包括验证网络、推断缺失形状以及根据数据设置标签方案。该方法通常由Language.initialize调用。

SentenceRecognizer.predict 方法

将组件的模型应用于一批Doc对象，而不修改它们。

SentenceRecognizer.set_annotations 方法

使用预先计算的分数修改一批Doc对象。

SentenceRecognizer.update 方法

从一批包含预测和黄金标准注释的Example对象中学习，并更新组件的模型。委托给predict和get_loss。

SentenceRecognizer.rehearse 方法实验性v3.0

对一批数据执行“预演”更新。预演更新旨在教导当前模型做出与初始模型相似的预测，以尝试解决“灾难性遗忘”问题。此功能为实验性功能。

SentenceRecognizer.get_loss 方法

计算这批文档及其预测分数的损失和损失梯度。

SentenceRecognizer.create_optimizer 方法

为管道组件创建一个优化器。

SentenceRecognizer.use_params 方法上下文管理器

修改管道的模型，以使用给定的参数值。在上下文结束时，原始参数将被恢复。

SentenceRecognizer.to_disk 方法

将管道序列化到磁盘。

SentenceRecognizer.from_disk 方法

从磁盘加载管道。原地修改对象并返回它。

SentenceRecognizer.to_bytes 方法

将管道序列化为字节串。

SentenceRecognizer.from_bytes 方法

从字节串加载管道。原地修改对象并返回它。

序列化字段

在序列化过程中，spaCy会导出多个用于恢复对象不同方面的数据字段。如果需要，您可以通过exclude参数传入字符串名称来将它们排除在序列化之外。