modified

DuEE_report.md

@@ -111,7 +111,7 @@
 
 
 ### 预处理之后的数据文件夹结构
-![image.png](https://upload-images.jianshu.io/upload_images/19393379-a67579c6c237ae29.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
+![image.png](figs/data_structure.png)
 
 ## 数据预处理
 
@@ -171,7 +171,7 @@ logits = model(input_ids, token_type_ids).reshape(
 触发词抽取模型是整体模型的一部分，该部分主要是给定事件类型，识别句子中出现的事件触发词对应的位置以及对应的事件类别
 ###模型
 该模型是基于ERNIE开发序列标注模型，模型原理图如下：
-![image.png](https://upload-images.jianshu.io/upload_images/19393379-c770bed4ab3df9cc.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
+![image.png](figs/ernie_triger_extraction.png)
 
 上述样例中通过模型识别出：
 
@@ -188,7 +188,7 @@ logits = model(input_ids, token_type_ids).reshape(
 ### 模型
 论元识别模型训练与触发词模型训练相同，
 该部分主要是识别出事件中的论元以及对应论元角色，模型原理图如下：
-![image.png](https://upload-images.jianshu.io/upload_images/19393379-a15b9d1a47bda1ac.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
+![image.png](figs/ernie_argument_extraction.png)
 上述样例中通过模型识别出：
 
 ```txt
@@ -207,7 +207,7 @@ logits = model(input_ids, token_type_ids).reshape(
 ###  模型
 基于ERNIE序列分类模型
 `paddlenlp.transformers.ErnieForSequenceClassification`来进行枚举分类。枚举角色类型为环节。模型原理图如下：
-![image.png](https://upload-images.jianshu.io/upload_images/19393379-a505a220cb6ca092.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
+![image.png](figs/ernie_enum_classification.png)
 给定文本，对文本进行分类，得到不同类别上的概率 筹备上市（0.8）、暂停上市（0.02）、正式上市（0.15）、终止上市（0.03）
 
 ###损失函数
@@ -216,7 +216,7 @@ logits = model(input_ids, token_type_ids).reshape(
 与触发词识别模型相同，使用`paddle.optimizer.AdamW`作为优化器
 
 # 效果
-![image.png](https://upload-images.jianshu.io/upload_images/19393379-b02b8cf1e64d9b2c.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
+![image.png](figs/results.png)
 
 
 # 优化相关思考