TorchSharpCatalog Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.TorchSharp

Zestaw:

Microsoft.ML.TorchSharp.dll

Pakiet:

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

Źródło:

TorchSharpCatalog.cs

Kolekcja metod rozszerzenia do MulticlassClassificationCatalog.MulticlassClassificationTrainers tworzenia wystąpień składników trenera TorchSharp.

public static class TorchSharpCatalog

type TorchSharpCatalog = class

Public Module TorchSharpCatalog

Dziedziczenie

Object

TorchSharpCatalog

Uwagi

Wymaga to dodatkowych zależności nuget, aby połączyć się z natywnymi bibliotekami dll TorchSharp. Aby uzyskać więcej informacji, zobacz ImageClassificationTrainer.

Metody

Nazwa	Opis
EvaluateObjectDetection(MulticlassClassificationCatalog, IDataView, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column)	Ocenia ocenione dane wykrywania obiektów.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)	Dostroj model rozpoznawania jednostek nazwanych.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Dostosuj model NAS-BERT dla rozpoznawania nazwanych jednostek. 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.
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)	Przestarzałe. Przestarzałe: zamiast tego użyj NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) metody
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Przestarzałe. Przestarzałe: zamiast tego użyj NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) metody
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ObjectDetectionTrainer+Options)	Dostrajanie modelu wykrywania obiektów.
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32)	Dostrajanie modelu wykrywania obiektów.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)	Dostosuj model ROBERTA dla pytań i odpowiedzi. 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.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32, Int32, Int32, BertArchitecture, IDataView)	Dostosuj model ROBERTA dla pytań i odpowiedzi. 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.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions)	Dostosuj model NAS-BERT dla podobieństwa zdania 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.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Dostosuj model NAS-BERT dla podobieństwa zdania 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)	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.