Sdílet prostřednictvím

TorchSharpCatalog Třída

  • Reference

Definice

Obor názvů:
Microsoft.ML.TorchSharp
Sestavení:
Microsoft.ML.TorchSharp.dll
Balíček:
Microsoft.ML.TorchSharp v0.21.1

Kolekce rozšiřujících metod pro MulticlassClassificationCatalog.MulticlassClassificationTrainers vytváření instancí komponent trenéra TorchSharp.

public static class TorchSharpCatalog
type TorchSharpCatalog = class
Public Module TorchSharpCatalog
Dědičnost
Object
TorchSharpCatalog

Poznámky

To vyžaduje další závislosti NuGet pro propojení s nativními knihovnami DLL TorchSharp. Další informace naleznete v tématu ImageClassificationTrainer.

Metody

EvaluateObjectDetection(MulticlassClassificationCatalog, IDataView, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column)

Vyhodnocuje data detekce objektů se skóre.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)

Dolaďte model rozpoznávání pojmenovaných entit.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Vylaďte model NAS-BERT pro rozpoznávání pojmenovaných entit. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)
Zastaralé.

Zastaralé: Místo toho použijte metodu NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) .
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)
Zastaralé.

Zastaralé: Místo toho použijte metodu NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) .
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ObjectDetectionTrainer+Options)

Vylaďte model rozpoznávání objektů.
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32)

Vylaďte model rozpoznávání objektů.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)

Vylaďte model ROBERTA pro otázky a odpovědi. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32, Int32, Int32, BertArchitecture, IDataView)

Vylaďte model ROBERTA pro otázky a odpovědi. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions)

Vylaďte model NAS-BERT pro podobnost vět NLP. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Vylaďte model NAS-BERT pro podobnost vět NLP. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Vylaďte model NAS-BERT pro klasifikaci NLP. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)

Vylaďte model NAS-BERT pro klasifikaci NLP. Limit pro každou větu je 512 tokenů. Každé slovo se obvykle mapuje na jeden token a automaticky přidáme 2 konkrétní tokeny (počáteční token a token oddělovače), takže obecně platí limit 510 slov pro všechny věty.

Platí pro