TorchSharpCatalog Klasse

Definition

Namespace:

Microsoft.ML.TorchSharp

Assembly:

Microsoft.ML.TorchSharp.dll

Paket:

Microsoft.ML.TorchSharp v0.23.0-preview.1.25125.4

Quelle:

TorchSharpCatalog.cs

Sammlung von Erweiterungsmethoden zum MulticlassClassificationCatalog.MulticlassClassificationTrainers Erstellen von Instanzen von TorchSharp-Trainerkomponenten.

public static class TorchSharpCatalog

type TorchSharpCatalog = class

Public Module TorchSharpCatalog

Vererbung

Object

TorchSharpCatalog

Hinweise

Dies erfordert zusätzliche Nuget-Abhängigkeiten zum Verknüpfen mit nativen TorchSharp-DLL-Dateien. Weitere Informationen finden Sie unter ImageClassificationTrainer.

Methoden

Name	Beschreibung
EvaluateObjectDetection(MulticlassClassificationCatalog, IDataView, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column)	Wertet bewertete Objekterkennungsdaten aus.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)	Optimieren Sie ein Benanntes Entitätserkennungsmodell.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Optimieren Sie ein NAS-BERT Modell für die benannte Entitätserkennung. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)	Veraltet. Veraltet: Verwenden Sie stattdessen die NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) Methode.
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Veraltet. Veraltet: Verwenden Sie stattdessen die NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) Methode.
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ObjectDetectionTrainer+Options)	Optimieren Sie ein Objekterkennungsmodell.
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32)	Optimieren Sie ein Objekterkennungsmodell.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)	Optimieren Sie ein ROBERTA-Modell für Frage und Antwort. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32, Int32, Int32, BertArchitecture, IDataView)	Optimieren Sie ein ROBERTA-Modell für Frage und Antwort. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions)	Feinabstimmung eines NAS-BERT Modells für NLP-Satzähnlichkeit. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Feinabstimmung eines NAS-BERT Modells für NLP-Satzähnlichkeit. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Optimieren Sie ein NAS-BERT-Modell für die NLP-Klassifizierung. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)	Optimieren Sie ein NAS-BERT-Modell für die NLP-Klassifizierung. Der Grenzwert für einen Satz beträgt 512 Token. Jedes Wort wird in der Regel einem einzelnen Token zugeordnet, und wir fügen automatisch zwei spekulische Token (ein Starttoken und ein Trennzeichen) hinzu, sodass dieser Grenzwert im Allgemeinen 510 Wörter für alle Sätze beträgt.