مرجع API برای متن و کتابخانه های NLP.
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
KerasNLP
مرجع API
ساده ترین راه برای شروع پردازش متن در TensorFlow استفاده از KerasNLP، یک کتابخانه پردازش زبان طبیعی است که اجزای مدولار را با وزن ها و معماری های از پیش تعیین شده پیشرفته ارائه می دهد. می توانید از اجزای KerasNLP خارج از جعبه استفاده کنید یا در صورت نیاز آنها را سفارشی کنید. KerasNLP بر محاسبات درون گراف برای همه گردش‌های کاری تاکید دارد، بنابراین می‌توانید انتظار تولید آسان با استفاده از اکوسیستم TensorFlow را داشته باشید.
برای نصب KerasNLP، به نصب مراجعه کنید.
متن TensorFlow
مرجع API
بسته tensorflow_text مجموعه‌ای از کلاس‌ها و عملیات مربوط به متن را فراهم می‌کند که آماده استفاده با TensorFlow هستند. این کتابخانه می‌تواند پیش‌پردازش‌هایی را که به‌طور منظم مورد نیاز مدل‌های مبتنی بر متن است، انجام دهد، و شامل سایر ویژگی‌های مفید برای مدل‌سازی توالی است که توسط TensorFlow هسته ارائه نشده است.
برای جزئیات نصب، به راهنما مراجعه کنید
مدل های TensorFlow - NLP
مرجع API
مخزن TensorFlow Models پیاده سازی هایی از مدل های پیشرفته (SOTA) را ارائه می دهد. بسته tensorflow-models-official شامل بسیاری از توابع و کلاس‌های سطح بالا برای ساخت مدل‌های SOTA NLP از جمله nlp.layers ، nlp.losses ، nlp.models و nlp.tasks است.
می توانید بسته را با pip نصب کنید:
$ pip install tensorflow-models-official # For the latest release
$ #or
$ pip install tf-models-nightly # For the nightly build
عملکرد NLP در زیر ماژول tfm.nlp موجود است.
import tensorflow_models as tfm
tfm.nlp
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],null,["# API reference for text and NLP libraries.\n\nKerasNLP\n--------\n\n[API reference](https://keras.io/api/keras_nlp/)\n\nThe easiest way to get started processing text in TensorFlow is to use KerasNLP,\na natural language processing library that provides modular components with\nstate-of-the-art preset weights and architectures. You can use KerasNLP\ncomponents out-of-the-box or customize them as needed. KerasNLP\nemphasizes in-graph computation for all workflows, so you can expect easy\nproductionization using the TensorFlow ecosystem.\n\nTo install KerasNLP, see\n[Installation](https://keras.io/keras_nlp/#installation).\n\nTensorFlow Text\n---------------\n\n[API reference](https://www.tensorflow.org/text/api_docs/python/text)\n\nThe `tensorflow_text` package provides a collection of text related classes and\nops ready to use with TensorFlow. The library can perform the preprocessing\nregularly required by text-based models, and includes other features useful for\nsequence modeling not provided by core TensorFlow.\n\nFor installation details, refer to the\n[the guide](https://www.tensorflow.org/text/guide/tf_text_intro)\n\nTensorFlow Models - NLP\n-----------------------\n\n[API reference](https://tensorflow.org/api_docs/python/tfm/nlp)\n\nThe\n[TensorFlow Models repository](https://github.com/tensorflow/models)\nprovides implementations of state-of-the-art (SOTA) models. The\n`tensorflow-models-official` pip package includes many high-level functions and\nclasses for building SOTA NLP models including [`nlp.layers`](https://www.tensorflow.org/api_docs/python/tfm/nlp/layers), [`nlp.losses`](https://www.tensorflow.org/api_docs/python/tfm/nlp/losses),\n[`nlp.models`](https://www.tensorflow.org/api_docs/python/tfm/nlp/models) and [`nlp.tasks`](https://www.tensorflow.org/api_docs/python/tfm/nlp/tasks).\n\nYou can install the package with `pip`: \n\n $ pip install tensorflow-models-official # For the latest release\n $ #or\n $ pip install tf-models-nightly # For the nightly build\n\nThe NLP functionality is available in the [`tfm.nlp`](https://www.tensorflow.org/api_docs/python/tfm/nlp) submodule. \n\n import tensorflow_models as tfm\n tfm.nlp"]]
