TorchSharpCatalog Classe

Definizione

Spazio dei nomi:

Microsoft.ML.TorchSharp

Assembly:

Microsoft.ML.TorchSharp.dll

Pacchetto:

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

Origine:

TorchSharpCatalog.cs

Raccolta di metodi di estensione per MulticlassClassificationCatalog.MulticlassClassificationTrainers la creazione di istanze dei componenti del formatore TorchSharp.

public static class TorchSharpCatalog

type TorchSharpCatalog = class

Public Module TorchSharpCatalog

Ereditarietà

Object

TorchSharpCatalog

Commenti

Ciò richiede dipendenze nuget aggiuntive per il collegamento a dll native torchSharp. Per altre informazioni, vedere ImageClassificationTrainer.

Metodi

Nome	Descrizione
EvaluateObjectDetection(MulticlassClassificationCatalog, IDataView, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column)	Valuta i dati di rilevamento degli oggetti con punteggio.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)	Ottimizzare un modello di riconoscimento delle entità denominate.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Ottimizzare un modello di NAS-BERT per il riconoscimento di entità denominate. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)	Obsoleti. Obsoleto: usare invece il NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) metodo
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Obsoleti. Obsoleto: usare invece il NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) metodo
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ObjectDetectionTrainer+Options)	Ottimizzare un modello di rilevamento oggetti.
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32)	Ottimizzare un modello di rilevamento oggetti.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)	Ottimizzare un modello ROBERTA per domande e risposte. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32, Int32, Int32, BertArchitecture, IDataView)	Ottimizzare un modello ROBERTA per domande e risposte. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions)	Ottimizzare un modello di NAS-BERT per la somiglianza delle frasi NLP. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Ottimizzare un modello di NAS-BERT per la somiglianza delle frasi NLP. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Ottimizzare un modello di NAS-BERT per la classificazione NLP. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)	Ottimizzare un modello di NAS-BERT per la classificazione NLP. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.