در این صفحه مجموعه ای از راهنماها و ابزارهای شناخته شده برای حل مسائل در حوزه متن با TensorFlow Hub فهرست شده است. این یک مکان شروع برای هر کسی است که می خواهد مشکلات معمولی ML را با استفاده از اجزای ML از پیش آموزش دیده به جای شروع از ابتدا حل کند.
طبقه بندی
هنگامی که ما می خواهیم به پیش بینی یک کلاس برای یک مثال داده شده، برای مثال احساسات، سمیت، دسته مقاله، و یا هر ویژگی های دیگر.
آموزش های زیر یک کار را از دیدگاه های مختلف و با استفاده از ابزارهای مختلف حل می کنند.
کراس
طبقه بندی متن با Keras - به عنوان مثال برای ساخت و ساز از یک طبقه بندی احساسات IMDB با Keras و TensorFlow مجموعه داده.
برآوردگر
طبقه بندی متن - به عنوان مثال برای ساخت و ساز از یک طبقه بندی احساسات IMDB با برآورد. شامل نکات متعدد برای بهبود و یک بخش مقایسه ماژول.
برت
پیش بینی فیلم نقد و بررسی تمایلات با برت در TF توپی - نشان می دهد که چگونه به استفاده از یک ماژول برت برای طبقه بندی. شامل استفاده از bert کتابخانه برای از Tokenization و پیش پردازش.
کاگل
طبقه بندی IMDB در Kaggle - نشان می دهد که چگونه به راحتی ارتباط برقرار کردن با رقابت Kaggle از COLAB، از جمله دانلود داده ها و ارسال نتایج.
| برآوردگر | کراس | TF2 | مجموعه داده های TF | برت | API های Kaggle | |
|---|---|---|---|---|---|---|
| طبقه بندی متن |  | |||||
| طبقه بندی متن با کراس | | | | |||
| پیش بینی احساسات نقد فیلم با BERT در TF Hub | | | ||||
| طبقه بندی IMDB در Kaggle | | |
کار Bangla با جاسازی های FastText
TensorFlow Hub در حال حاضر ماژولی را به هر زبانی ارائه نمی دهد. آموزش زیر نشان می دهد که چگونه از TensorFlow Hub برای آزمایش سریع و توسعه ML مدولار استفاده کنید.
بنگلادش مقاله طبقه بندی - نشان می دهد که چگونه برای ایجاد TensorFlow توپی تعبیه متن قابل استفاده مجدد، و استفاده از آن برای آموزش یک طبقه بندی Keras برای مجموعه داده BARD بنگلادش مقاله .
شباهت معنایی
زمانی که می‌خواهیم بفهمیم کدام جملات در تنظیم صفر شات با یکدیگر مرتبط هستند (بدون مثال آموزشی).
پایه ای
شباهت معنایی - نشان می دهد که چگونه به استفاده از ماژول جمله رمزگذار برای محاسبه شباهت جمله.
چند زبانه
صلیب زبانه شباهت معنایی - نشان می دهد که چگونه به استفاده از یکی از نرم افزارهای تبدیل کننده حکم متقابل زبانه به شباهت جمله محاسبه در سراسر زبان.
بازیابی معنایی
بازیابی معنایی - نشان می دهد که چگونه به استفاده Q / A رمزگذار جمله به صفحه اول مجموعه ای از اسناد برای بازیابی بر اساس شباهت معنایی.
ورودی SentencePiece
شباهت معنایی با مطلب رمزگذار جهانی - نشان می دهد که چگونه به استفاده از ماژول های جمله رمز گذار است که قبول SentencePiece شناسه در ورودی به جای متن.
ایجاد ماژول
به جای استفاده از ماژول در hub.tensorflow.google.cn ، راه هایی برای ایجاد ماژول های خود وجود دارد. این می‌تواند ابزار مفیدی برای ماژولار بودن بهتر پایگاه کد ML و اشتراک‌گذاری بیشتر باشد.
بسته بندی جاسازی های از پیش آموزش دیده موجود
متن صادر تعبیه ماژول - یک ابزار به بسته بندی های از پیش آموزش دیده موجود تعبیه به یک ماژول است. نحوه گنجاندن عملیات پیش پردازش متن در ماژول را نشان می دهد. این اجازه می دهد تا یک ماژول جاسازی جمله از جاسازی های نشانه ایجاد کنید.
متن تعبیه ماژول صادر V2 - همانند بالا، اما سازگار با TensorFlow 2 و اعدام مشتاق.