|
ImageClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ImageClassificationTrainer+Options)
|
Crie ImageClassificationTrainer usando opções avançadas, que treinam uma DNN (Rede Neural Profunda) para classificar imagens.
|
|
ImageClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, IDataView)
|
Criar ImageClassificationTrainer, que treina uma DNN (Rede Neural Profunda) para classificar imagens.
|
|
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)
|
Crie LbfgsMaximumEntropyMulticlassTrainer com opções avançadas, que prevê um destino usando um modelo de classificação de entropia máximo treinado com o método L-BFGS.
|
|
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
|
Criar LbfgsMaximumEntropyMulticlassTrainer, que prevê um destino usando um modelo de classificação de entropia máximo treinado com o método L-BFGS.
|
|
LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LightGbmMulticlassTrainer+Options)
|
Crie LightGbmMulticlassTrainer com opções avançadas, que prevê um destino usando um modelo de classificação multiclasse de árvore de decisão de aumento de gradiente.
|
|
LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, Stream, String)
|
Crie LightGbmMulticlassTrainer a partir de um modelo LightGBM pré-treinado, que prevê um destino usando um modelo de classificação multiclasse de árvore de decisão de aumento de gradiente.
|
|
LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>,
Int32)
|
Criar LightGbmMulticlassTrainer, que prevê um destino usando um modelo de classificação multiclasse de árvore de decisão de aumento de gradiente.
|
|
NaiveBayes(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String)
|
Crie um NaiveBayesMulticlassTrainerdestino de várias classes usando um modelo naive Bayes que dá suporte a valores de recursos binários.
|
|
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 de NAS-BERT para Reconhecimento de Entidade Nomeada. O limite para qualquer sentença é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionaremos automaticamente dois tokens especulativos (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.
|
|
OneVersusAll<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
ITrainerEstimator<BinaryPredictionTransformer<TModel>,TModel>,
String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>,
Int32, Boolean)
|
Crie um OneVersusAllTrainerdestino de várias classes usando uma estratégia de um contra todos com o avaliador de classificação binária especificado por binaryEstimator.
|
|
PairwiseCoupling<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
ITrainerEstimator<ISingleFeaturePredictionTransformer<TModel>,
TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>,
Int32)
|
Crie um PairwiseCouplingTrainerdestino de várias classes usando a estratégia de acoplamento par com o avaliador de classificação binária especificado por binaryEstimator.
|
|
QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)
|
Ajuste um modelo ROBERTA para Perguntas e Respostas. O limite para qualquer sentença é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionaremos automaticamente dois tokens especulativos (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 sentença é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionaremos automaticamente dois tokens especulativos (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
|
|
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)
|
Crie SdcaMaximumEntropyMulticlassTrainer com opções avançadas, que prevê um destino usando um modelo de classificação de entropia máximo treinado com um método de descida de coordenadas.
|
|
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
|
Criar SdcaMaximumEntropyMulticlassTrainer, que prevê um destino usando um modelo de classificação de entropia máximo treinado com um método de descida de coordenadas.
|
|
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)
|
Crie SdcaNonCalibratedMulticlassTrainer com opções avançadas, que prevê um destino usando um modelo de classificação de várias classes linear treinado com um método de descida de coordenadas.
|
|
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>,
Nullable<Single>, Nullable<Int32>)
|
Criar SdcaNonCalibratedMulticlassTrainer, que prevê um destino usando um modelo de classificação de várias classes linear treinado com um método de descida de coordenadas.
|
|
TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, String, String, Int32, Int32, BertArchitecture,
IDataView)
|
Ajuste um modelo de NAS-BERT para classificação de NLP. O limite para qualquer sentença é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionaremos automaticamente dois tokens especulativos (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 de NAS-BERT para classificação de NLP. O limite para qualquer sentença é de 512 tokens. Cada palavra normalmente será mapeada para um único token e adicionaremos automaticamente dois tokens especulativos (um token inicial e um token separador), portanto, em geral, esse limite será de 510 palavras para todas as frases.
|