TorchSharpCatalog Classe

Definizione

Spazio dei nomi:

Microsoft.ML.TorchSharp

Assembly:

Microsoft.ML.TorchSharp.dll

Pacchetto:

Microsoft.ML.TorchSharp v0.22.0-preview.24522.7

Origine:

TorchSharpCatalog.cs

Raccolta di metodi di estensione per MulticlassClassificationCatalog.MulticlassClassificationTrainers creare 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 da collegare alle dll native torchSharp. Per altre informazioni, vedere ImageClassificationTrainer.

Metodi

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 entità denominato.
NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Ottimizzare un modello NAS-BERT per Il riconoscimento di entità denominato. Il limite per qualsiasi frase è 512 token. Ogni parola verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo 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 verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo 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 verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo generale questo limite sarà 510 parole per tutte le frasi.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions)	Ottimizzare un modello NAS-BERT per la somiglianza della frase NLP. Il limite per qualsiasi frase è 512 token. Ogni parola verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo generale questo limite sarà 510 parole per tutte le frasi.
SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)	Ottimizzare un modello NAS-BERT per la somiglianza della frase NLP. Il limite per qualsiasi frase è 512 token. Ogni parola verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo 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 NAS-BERT per la classificazione NLP. Il limite per qualsiasi frase è 512 token. Ogni parola verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo generale questo limite sarà 510 parole per tutte le frasi.
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)	Ottimizzare un modello NAS-BERT per la classificazione NLP. Il limite per qualsiasi frase è 512 token. Ogni parola verrà in genere mappata a un singolo token e si aggiungono automaticamente 2 token specici (un token di avvio e un token separatore) in modo generale questo limite sarà 510 parole per tutte le frasi.