利用三个transformers库内置的数据集实现基于BiLSTM+CRF模型的命名实体识别任务以及进行基于BERT的关系抽取任务。给出Python可执行代码。

利用Hugging Face Transformers库中的数据集进行命名实体识别（NER）和关系抽取通常涉及到以下几个步骤：

1. **安装必要的库**:

pip install transformers datasets torch

2. **加载预训练模型**:

from transformers import BertTokenizerFast, BertForTokenClassification, DistilBertTokenizerFast, DistilBertForTokenClassification

# 如果使用BERT for NER (序列标注)
tokenizer_ner = BertTokenizerFast.from_pretrained('bert-base-cased')
model_ner = BertForTokenClassification.from_pretrained('dbmdz/bert-large-cased-finetuned-conll03-english')

# 如果使用DistilBERT for NER (同样适用于关系抽取)
tokenizer_rel = DistilBertTokenizerFast.from_pretrained('distilbert-base-cased')
model_rel = DistilBertForTokenClassification.from_pretrained('stsb-distilbert-base-cased-finetuned-mrpc')

3. **加载数据集**:

from datasets import load_dataset

dataset_ner = load_dataset('conll2003', task='ner')  # 使用CoNLL-2003 NER数据集
dataset_rel = load_dataset('mrpc', task='classification')  # 使用MRPC数据集作为示例关系抽取数据集，虽然不是直接的关系抽取任务，这里只是为了演示如何加载并处理文本对

4. **预处理数据**:

def prepare_data(dataset, tokenizer, max_length):
    def encode(examples):
        return tokenizer(examples['sentence'], truncation=True, padding='max_length', max_length=max_length)

    tokenized_data = dataset.map(encode, batched=True)
    return tokenized_data

max_length = 512
tokenized_ner = prepare_data(dataset_ner, tokenizer_ner, max_length)
tokenized_rel = prepare_data(dataset_rel, tokenizer_rel, max_length)

5. **模型前向传播**:

def predict(model, input_ids, attention_mask):
    outputs = model(input_ids=input_ids, attention_mask=attention_mask)
    predictions = outputs.logits.argmax(dim=-1)
    return predictions

# 示例：命名实体识别
input_ids_ner = tokenized_ner['input_ids']
attention_mask_ner = tokenized_ner['attention_mask']
predictions_ner = predict(model_ner, input_ids_ner, attention_mask_ner)

# 示例：关系抽取（这里仅作展示，需要调整为处理文本对的方式）
input_ids_rel = tokenized_rel['input_ids']
attention_mask_rel = tokenized_rel['attention_mask']
# 这里通常是将输入对编码成单个句子的形式，并可能需要额外的masking或编码技巧
predictions_rel = predict(model_rel, input_ids_rel, attention_mask_rel)

6. **评估和处理结果**:
- 对于NER，你可以使用`dataset_ner['ner_tags']`作为参考标签来评估预测结果。
- 对于关系抽取，可能需要将预测的结果解码为有意义的关系，这取决于你的任务定义。

注意：这个例子假设了BERT和DistilBERT都用于命名实体识别，实际应用中可能会选择更适合的模型。另外，关系抽取的处理可能需要额外的代码来解析和理解文本对之间的关系。