TorchSharpCatalog.TextClassification Metoda

Definicja

Przestrzeń nazw:: Microsoft.ML.TorchSharp

Zestaw:: Microsoft.ML.TorchSharp.dll

Pakiet:: Microsoft.ML.TorchSharp v0.22.1

Pakiet:: Microsoft.ML.TorchSharp v0.22.0

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

Pakiet:: Microsoft.ML.TorchSharp v0.20.1

Ważne

Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.

Przeciążenia

Nazwa	Opis
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)	Dostosuj model NAS-BERT klasyfikacji NLP. Limit dla dowolnego zdania to 512 tokenów. Każde słowo zwykle będzie mapować na pojedynczy token i automatycznie dodajemy 2 tokeny specical (token początkowy i token separatora), więc ogólnie ten limit będzie wynosić 510 wyrazów dla wszystkich zdań.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Dostosuj model NAS-BERT klasyfikacji NLP. Limit dla dowolnego zdania to 512 tokenów. Każde słowo zwykle będzie mapować na pojedynczy token i automatycznie dodajemy 2 tokeny specical (token początkowy i token separatora), więc ogólnie ten limit będzie wynosić 510 wyrazów dla wszystkich zdań.

TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)

Źródło:: TorchSharpCatalog.cs

Źródło:: TorchSharpCatalog.cs

Źródło:: TorchSharpCatalog.cs

Dostosuj model NAS-BERT klasyfikacji NLP. Limit dla dowolnego zdania to 512 tokenów. Każde słowo zwykle będzie mapować na pojedynczy token i automatycznie dodajemy 2 tokeny specical (token początkowy i token separatora), więc ogólnie ten limit będzie wynosić 510 wyrazów dla wszystkich zdań.

public static Microsoft.ML.TorchSharp.NasBert.TextClassificationTrainer TextClassification(this Microsoft.ML.MulticlassClassificationCatalog.MulticlassClassificationTrainers catalog, Microsoft.ML.TorchSharp.NasBert.TextClassificationTrainer.TextClassificationOptions options);

static member TextClassification : Microsoft.ML.MulticlassClassificationCatalog.MulticlassClassificationTrainers * Microsoft.ML.TorchSharp.NasBert.TextClassificationTrainer.TextClassificationOptions -> Microsoft.ML.TorchSharp.NasBert.TextClassificationTrainer

<Extension()>
Public Function TextClassification (catalog As MulticlassClassificationCatalog.MulticlassClassificationTrainers, options As TextClassificationTrainer.TextClassificationOptions) As TextClassificationTrainer

Parametry

catalog: MulticlassClassificationCatalog.MulticlassClassificationTrainers

Wykaz przekształcenia.

options: TextClassificationTrainer.TextClassificationOptions

Opcje zaawansowane.

Zwraca

TextClassificationTrainer

Dotyczy

TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Źródło:: TorchSharpCatalog.cs

Źródło:: TorchSharpCatalog.cs

Źródło:: TorchSharpCatalog.cs

Dostosuj model NAS-BERT klasyfikacji NLP. Limit dla dowolnego zdania to 512 tokenów. Każde słowo zwykle mapuje się na pojedynczy token i automatycznie dodajemy 2 tokeny specical (token początkowy i token separatora), więc ogólnie ten limit będzie wynosić 510 słów dla wszystkich zdań.

public static Microsoft.ML.TorchSharp.NasBert.TextClassificationTrainer TextClassification(this Microsoft.ML.MulticlassClassificationCatalog.MulticlassClassificationTrainers catalog, string labelColumnName = "Label", string scoreColumnName = "Score", string outputColumnName = "PredictedLabel", string sentence1ColumnName = "Sentence1", string sentence2ColumnName = default, int batchSize = 32, int maxEpochs = 10, Microsoft.ML.TorchSharp.NasBert.BertArchitecture architecture = Microsoft.ML.TorchSharp.NasBert.BertArchitecture.Roberta, Microsoft.ML.IDataView validationSet = default);

static member TextClassification : Microsoft.ML.MulticlassClassificationCatalog.MulticlassClassificationTrainers * string * string * string * string * string * int * int * Microsoft.ML.TorchSharp.NasBert.BertArchitecture * Microsoft.ML.IDataView -> Microsoft.ML.TorchSharp.NasBert.TextClassificationTrainer

<Extension()>
Public Function TextClassification (catalog As MulticlassClassificationCatalog.MulticlassClassificationTrainers, Optional labelColumnName As String = "Label", Optional scoreColumnName As String = "Score", Optional outputColumnName As String = "PredictedLabel", Optional sentence1ColumnName As String = "Sentence1", Optional sentence2ColumnName As String = Nothing, Optional batchSize As Integer = 32, Optional maxEpochs As Integer = 10, Optional architecture As BertArchitecture = Microsoft.ML.TorchSharp.NasBert.BertArchitecture.Roberta, Optional validationSet As IDataView = Nothing) As TextClassificationTrainer

Parametry

catalog: MulticlassClassificationCatalog.MulticlassClassificationTrainers

Wykaz przekształcenia.

labelColumnName: String

Nazwa kolumny etykiety. Kolumna powinna być typem klucza.

scoreColumnName: String

Nazwa kolumny wyników.

outputColumnName: String

Nazwa kolumny wyjściowej. Będzie to typ klucza. Jest to przewidywana etykieta.

sentence1ColumnName: String

Nazwa kolumny dla pierwszego zdania.

sentence2ColumnName: String

Nazwa kolumny dla drugiego zdania. Wymagane tylko wtedy, gdy klasyfikacja NLP wymaga par zdań.

batchSize: Int32

Liczba rzędów w partii.

maxEpochs: Int32

Maksymalna liczba powtórzeń pętli przez zestaw treningowy.

architecture: BertArchitecture

Architektura modelu. Domyślnie roberta.

validationSet: IDataView

Zestaw weryfikacji używany podczas trenowania w celu poprawy jakości modelu.

Zwraca

TextClassificationTrainer

Dotyczy