MulticlassClassificationCatalog.MulticlassClassificationTrainers Classe

Creare ImageClassificationTrainer usando le opzioni avanzate, che esegue il training di una rete neurale profonda (DNN) per classificare le immagini.

Creare ImageClassificationTrainer, che esegue il training di una rete neurale profonda (DNN) per classificare le immagini.

Creare LbfgsMaximumEntropyMulticlassTrainer con opzioni avanzate, che stimano una destinazione usando un modello di classificazione di entropia massima sottoposto a training con il metodo L-BFGS.

Creare LbfgsMaximumEntropyMulticlassTrainer, che stima una destinazione usando un modello di classificazione entropia massima sottoposto a training con il metodo L-BFGS.

Creare LightGbmMulticlassTrainer con opzioni avanzate, che stimano una destinazione usando un modello di classificazione multiclasse dell'albero delle decisioni con boosting sfumato.

Creare LightGbmMulticlassTrainer da un modello LightGBM con training preliminare, che stima una destinazione usando un modello di classificazione multiclasse dell'albero delle decisioni con boosting sfumato.

Creare LightGbmMulticlassTrainer, che stima una destinazione usando un modello di classificazione multiclasse dell'albero delle decisioni con boosting a gradienti.

Creare un NaiveBayesMulticlassTraineroggetto , che stima una destinazione multiclasse usando un modello Naive Bayes che supporta i valori di funzionalità binari.

Ottimizzare un modello di riconoscimento delle entità denominate.

Ottimizzare un modello di NAS-BERT per il riconoscimento di entità denominate. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.

Obsoleto: usare invece il NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) metodo

Obsoleto: usare invece il NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) metodo

Ottimizzare un modello di rilevamento oggetti.

Ottimizzare un modello di rilevamento oggetti.

Creare un OneVersusAllTraineroggetto , che stima una destinazione multiclasse usando una strategia uno-versus-all con lo strumento di stima della classificazione binaria specificato da binaryEstimator.

Creare un PairwiseCouplingTraineroggetto , che stima una destinazione multiclasse usando la strategia di accoppiamento pairwise con lo strumento di stima della classificazione binaria specificato da binaryEstimator.

Ottimizzare un modello ROBERTA per domande e risposte. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.

Ottimizzare un modello ROBERTA per domande e risposte. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.

Creare SdcaMaximumEntropyMulticlassTrainer con opzioni avanzate, che stimano una destinazione usando un modello di classificazione di entropia massima sottoposto a training con un metodo di discesa delle coordinate.

Creare SdcaMaximumEntropyMulticlassTrainer, che stima una destinazione usando un modello di classificazione di entropia massima sottoposto a training con un metodo di discesa delle coordinate.

Creare SdcaNonCalibratedMulticlassTrainer con opzioni avanzate, che stimano una destinazione usando un modello di classificazione multiclasse lineare sottoposto a training con un metodo di discesa delle coordinate.

Creare SdcaNonCalibratedMulticlassTrainer, che stima una destinazione usando un modello di classificazione multiclasse lineare sottoposto a training con un metodo di discesa delle coordinate.

Ottimizzare un modello di NAS-BERT per la classificazione NLP. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.

Ottimizzare un modello di NAS-BERT per la classificazione NLP. Il limite per qualsiasi frase è 512 token. Ogni parola viene in genere mappata a un singolo token e vengono aggiunti automaticamente 2 token specicali (un token di avvio e un token separatore), quindi in generale questo limite sarà 510 parole per tutte le frasi.