TextClassificationTrainer Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Pour IEstimator<TTransformer> former un réseau neuronal profond (DNN) à classifier du texte.
public class TextClassificationTrainer : Microsoft.ML.TorchSharp.NasBert.NasBertTrainer<uint,long>type TextClassificationTrainer = class
inherit NasBertTrainer<uint32, int64>Public Class TextClassificationTrainer
Inherits NasBertTrainer(Of UInteger, Long)- Héritage
-
TextClassificationTrainer
- Héritage
Remarques
Pour créer cet entraîneur, utilisez TextClassification.
Colonnes d’entrée et de sortie
Les données de colonne d’étiquette d’entrée doivent être de type clé et les colonnes de phrase doivent être de type TextDataViewType.
Cet entraîneur génère les colonnes suivantes :
| Nom de colonne de sortie | Type de colonne | Description |
|---|---|---|
PredictedLabel |
Type de clé | Index de l’étiquette prédite. Si sa valeur est i, l’étiquette réelle est la i-ème catégorie dans le type d’étiquette d’entrée avec une valeur de clé. |
Score |
Vecteur deSingle | Scores de toutes les classes. Une valeur supérieure signifie une probabilité plus élevée de tomber dans la classe associée. Si le i-th élément a la plus grande valeur, l’index d’étiquette prédit est i. Notez qu’il i s’agit d’un index de base zéro. |
Caractéristiques de l’entraîneur
| Caractéristique | Value |
|---|---|
| Tâche Machine Learning | Classification multiclasse |
| La normalisation est-elle nécessaire ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.TorchSharp et libtorch-cpu ou libtorch-cuda-11.3 ou l’une des variantes spécifiques du système d’exploitation. |
| Exportable vers ONNX | Non |
Détails de l’algorithme d’apprentissage
Effectue l’apprentissage d’un réseau neuronal profond (DNN) en tirant parti d’un modèle roBERTa existant, préentraîné NAS-BERT pour classer du texte.
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView) |
Pour IEstimator<TTransformer> former un réseau neuronal profond (DNN) à classifier du texte. (Hérité de NasBertTrainer<TLabelCol,TTargetsCol>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> former un réseau neuronal profond (DNN) à classifier du texte. (Hérité de NasBertTrainer<TLabelCol,TTargetsCol>) |
Méthodes d’extension
| Nom | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
En fonction d’un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets, nous devrons peut-être construire une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |