TorchSharpCatalog Classe
Definição
Importante
Algumas informações se referem a produtos de pré-lançamento que podem ser substancialmente modificados antes do lançamento. A Microsoft não oferece garantias, expressas ou implícitas, das informações aqui fornecidas.
Coleção de métodos de extensão para MulticlassClassificationCatalog.MulticlassClassificationTrainers criar instâncias de componentes do treinador TorchSharp.
public static class TorchSharpCatalogtype TorchSharpCatalog = classPublic Module TorchSharpCatalog- Herança
-
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. |