|
ImageClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ImageClassificationTrainer+Options)
|
Utwórz ImageClassificationTrainer przy użyciu zaawansowanych opcji, które trenują głęboką sieć neuronową (DNN) do klasyfikowania obrazów.
|
|
ImageClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, IDataView)
|
Utwórz ImageClassificationTrainerelement , który trenuje głęboką sieć neuronową (DNN) w celu klasyfikowania obrazów.
|
|
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)
|
Utwórz LbfgsMaximumEntropyMulticlassTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu maksymalnego modelu klasyfikacji entropii wyszkolonego za pomocą metody L-BFGS.
|
|
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
|
Utwórz LbfgsMaximumEntropyMulticlassTrainerelement , który przewiduje cel przy użyciu maksymalnego modelu klasyfikacji entropii wytrenowanego za pomocą metody L-BFGS.
|
|
LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LightGbmMulticlassTrainer+Options)
|
Utwórz LightGbmMulticlassTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu wieloklasowego modelu klasyfikacji drzewa decyzyjnego zwiększającego gradient.
|
|
LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, Stream, String)
|
Utwórz LightGbmMulticlassTrainer na podstawie wstępnie wytrenowanego modelu LightGBM, który przewiduje cel przy użyciu wieloklasowego modelu klasyfikacji drzewa decyzyjnego zwiększającego gradient.
|
|
LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>,
Int32)
|
Utwórz LightGbmMulticlassTrainerobiekt , który przewiduje element docelowy przy użyciu wieloklasowego modelu klasyfikacji drzewa decyzyjnego zwiększającego gradient.
|
|
NaiveBayes(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String)
|
Utwórz obiekt NaiveBayesMulticlassTrainer, który przewiduje obiekt docelowy wieloklasowy przy użyciu modelu Naive Bayes, który obsługuje wartości funkcji binarnych.
|
|
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 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.
|
|
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.
|
|
OneVersusAll<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
ITrainerEstimator<BinaryPredictionTransformer<TModel>,TModel>,
String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>,
Int32, Boolean)
|
Utwórz obiekt docelowy OneVersusAllTrainerz wieloma klasami przy użyciu strategii "jeden w porównaniu do wszystkich" przy użyciu narzędzia do szacowania klasyfikacji binarnej określonej przez binaryEstimator.
|
|
PairwiseCoupling<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
ITrainerEstimator<ISingleFeaturePredictionTransformer<TModel>,
TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>,
Int32)
|
Utwórz element , który przewiduje obiekt docelowy wieloklasowy PairwiseCouplingTrainerprzy użyciu strategii sprzęgania par par z narzędziem do szacowania klasyfikacji binarnej określonej przez binaryEstimator.
|
|
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.
|
|
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)
|
Utwórz SdcaMaximumEntropyMulticlassTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu maksymalnego modelu klasyfikacji entropii wytrenowanego przy użyciu metody spadku współrzędnych.
|
|
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
|
Utwórz SdcaMaximumEntropyMulticlassTrainerelement , który przewiduje cel przy użyciu maksymalnego modelu klasyfikacji entropii wytrenowanego przy użyciu metody spadku współrzędnych.
|
|
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)
|
Utwórz SdcaNonCalibratedMulticlassTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu liniowego modelu klasyfikacji wieloklasowej wyszkolonego przy użyciu metody zejścia współrzędnych.
|
|
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>,
Nullable<Single>, Nullable<Int32>)
|
Utwórz SdcaNonCalibratedMulticlassTrainerelement , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji wieloklasowej wyszkolonego przy użyciu metody spadku współrzędnych.
|
|
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.
|