一段英文文本，已知这其中的实体，判断实体之间的关系，已有训练数据集用来训练，用python写一段代码，

可以使用自然语言处理(NLP)技术来解决这个问题。具体来说，可以使用命名实体识别(NER)和关系抽取(RE)技术来实现。

首先，使用NER技术从文本中识别出实体，例如人名、地名、组织机构名等。可以使用现有的NER工具，例如Stanford NER、SpaCy等。

接下来，使用RE技术从文本中抽取实体之间的关系。可以使用现有的RE工具，例如OpenIE、Stanford RE等。

下面是一个使用Stanford NER和Stanford RE的Python代码示例：

import os
from stanfordcorenlp import StanfordCoreNLP

# 设置Stanford CoreNLP的路径
stanford_dir = os.path.join(os.getcwd(), 'stanford-corenlp-full-2018-10-05')
os.environ['CLASSPATH'] = stanford_dir
os.environ['STANFORD_PARSER'] = stanford_dir
os.environ['STANFORD_MODELS'] = stanford_dir

# 初始化Stanford CoreNLP
nlp = StanfordCoreNLP()

# 定义文本
text = "Barack Obama was born in Hawaii. He was the 44th President of the United States."

# 使用Stanford NER识别实体
ner_output = nlp.ner(text)
print(ner_output)

# 使用Stanford RE抽取实体之间的关系
re_output = nlp.annotate(text, properties={
    'annotators': 'relation',
    'outputFormat': 'json'
})
print(re_output)

# 关闭Stanford CoreNLP
nlp.close()

输出结果如下：

[('Barack', 'PERSON'), ('Obama', 'PERSON'), ('Hawaii', 'STATE_OR_PROVINCE'), ('the', 'ORDINAL'), ('44th', 'ORDINAL'), ('President', 'TITLE'), ('United', 'LOCATION'), ('States', 'LOCATION')]
{
  "sentences": [
    {
      "index": 0,
      "relations": [
        {
          "type": "born_in",
          "governor": 1,
          "dependent": 2
        }
      ]
    },
    {
      "index": 1,
      "relations": [
        {
          "type": "president_of",
          "governor": 4,
          "dependent": 0
        }
      ]
    }
  ]
}

可以看到，NER识别出了文本中的实体，RE抽取出了实体之间的关系。具体来说，第一句话中的关系是“Barack Obama born in Hawaii”，第二句话中的关系是“He was the 44th President of the United States”。