Partilhar via

TorchSharpCatalog Classe

  • Referência

Definição

Namespace:
Microsoft.ML.TorchSharp
Assembly:
Microsoft.ML.TorchSharp.dll
Pacote:
Microsoft.ML.TorchSharp v0.21.1

Coleção de métodos de extensão para MulticlassClassificationCatalog.MulticlassClassificationTrainers criar instâncias de componentes do treinador TorchSharp.

public static class TorchSharpCatalog
type TorchSharpCatalog = class
Public Module TorchSharpCatalog
Herança
Object
TorchSharpCatalog

Comentários

Isso requer dependências de nuget adicionais para vincular contra dlls nativas torchSharp. Consulte ImageClassificationTrainer para obter mais informações.

Métodos

EvaluateObjectDetection(MulticlassClassificationCatalog, IDataView, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column, DataViewSchema+Column)

Avalia os dados de detecção de objetos pontuados.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)

Ajuste um modelo de Reconhecimento de Entidade Nomeada.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Ajuste um modelo NAS-BERT para Reconhecimento de Entidade Nomeada. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)
Obsoleto.

Obsoleto: use o NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) método em vez disso
NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)
Obsoleto.

Obsoleto: use o NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) método em vez disso
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ObjectDetectionTrainer+Options)

Ajuste um modelo de detecção de objetos.
ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32)

Ajuste um modelo de detecção de objetos.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)

Ajuste um modelo ROBERTA para Perguntas e Respostas. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32, Int32, Int32, BertArchitecture, IDataView)

Ajuste um modelo ROBERTA para Perguntas e Respostas. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions)

Ajuste um modelo NAS-BERT para similaridade de frase NLP. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Ajuste um modelo NAS-BERT para similaridade de frase NLP. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)

Ajuste um modelo NAS-BERT para classificação de NLP. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)

Ajuste um modelo NAS-BERT para classificação de NLP. O limite para qualquer frase é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionamos automaticamente dois tokens especulares (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.

Aplica-se a