WordEmbeddingEstimator Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Cecha tekstowa, która konwertuje wektory tokenów tekstowych na wektor liczbowy przy użyciu wstępnie wytrenowanego modelu osadzania.
public sealed class WordEmbeddingEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.Text.WordEmbeddingTransformer>type WordEmbeddingEstimator = class
interface IEstimator<WordEmbeddingTransformer>Public NotInheritable Class WordEmbeddingEstimator
Implements IEstimator(Of WordEmbeddingTransformer)- Dziedziczenie
-
WordEmbeddingEstimator
- Implementuje
Uwagi
Charakterystyka narzędzia do szacowania
| Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry? | No |
| Typ danych kolumny wejściowej | Wektor tekstu |
| Typ danych kolumny wyjściowej | Znany wektor wielkości Single |
| Możliwość eksportowania do ONNX | No |
Tworzy WordEmbeddingTransformer nową kolumnę o nazwie określonej w parametrach nazwy kolumny wyjściowej, gdzie każdy wektor wejściowy jest mapowany na wektor liczbowy o rozmiarze 3 * wymiarowości używanego modelu osadzania. Zwróć uwagę, że jest to niezależne od rozmiaru wektora wejściowego.
Na przykład w przypadku korzystania z funkcji GloVe50D, która sama jest 50-wymiarowa, kolumna wyjściowa jest wektorem o rozmiarze 150. Pierwsza trzecia miejsc zawiera minimalne wartości osadzania odpowiadające poszczególnym ciągom w wektorze wejściowym. Druga trzecia zawiera średnią osadzania. Ostatnia trzecia miejsc zawiera maksymalne wartości napotkanych osadzeń. Wartość minimalna/maksymalna zawiera hiper-prostokąt ograniczenia wyrazów w obszarze osadzania wyrazów. Może to pomóc w przypadku dłuższych fraz, w których średnia wielu słów zagłusza przydatny sygnał.
Użytkownik może określić niestandardowy wstępnie wytrenowany model osadzania lub jeden z dostępnych wstępnie wytrenowanych modeli. Dostępne opcje to różne wersje modeli GloVe, FastText i SSWE.
Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.
Metody
| Nazwa | Opis |
|---|---|
| Fit(IDataView) |
Trenuje i zwraca wartość WordEmbeddingTransformer. |
| GetOutputSchema(SchemaShape) |
SchemaShape Zwraca schemat, który zostanie wygenerowany przez transformator. Służy do propagacji schematu i weryfikacji w potoku. |
Metody rozszerzania
| Nazwa | Opis |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Dołącz punkt kontrolny buforowania do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane z buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólne ITransformer. Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który będzie wywoływany po wywołaniu dopasowania. |