文件名称：fast-bert:超级简单的库，用于基于BERT的NLP模型
文件大小：777KB
文件格式：ZIP
更新时间：2024-06-01 23:23:28
transformers fastai bert fast-bert Python
快打 新增功能-用于文本分类训练的学习率查找器（感谢借用） 支持LAMB优化器，以加快培训速度。 请参阅以获取有关LAMB优化器的论文。 支持BERT和XLNet进行多类和多标签文本分类。 Fast-Bert是一个深度学习库，允许开发人员和数据科学家针对基于文本分类的自然语言处理任务训练和部署基于BERT和XLNet的模型。 FastBert的工作建立在优秀的提供的坚实基础上，并受到启发，并致力于为广大的机器学习从业人员提供最先进的深度学习技术。 使用FastBert，您将能够： 在您的自定义数据集上训练（更精确地调整）BERT，RoBERTa和XLNet文本分类模型。 调整模型的超参数，例如时期，学习率，批量大小，优化计划等。 保存并部署经过训练的推理模型（包括在AWS Sagemaker上）。 Fast-Bert在以下方面将同时支持多类和多标签文本分类，并且将在适当
【文件预览】：
fast-bert-main
----fast_bert()
--------learner_util.py(4KB)
--------utils_squad_evaluate.py(12KB)
--------utils()
--------learner_cls_old.py(33KB)
--------learner_abs.py(6KB)
--------data.py(19KB)
--------data_cls.py(22KB)
--------data_ner.py(18KB)
--------bert_layers.py(636B)
--------modeling.py(17KB)
--------summarisation()
--------learner_cls.py(33KB)
--------__init__.py(781B)
--------optimization.py(13KB)
--------prediction.py(4KB)
--------data_lm.py(11KB)
--------metrics.py(4KB)
--------learner_ner.py(10KB)
--------data_abs.py(12KB)
--------data_qa.py(26KB)
--------learner_qa.py(34KB)
--------learner_lm.py(11KB)
----container_t5()
--------t5()
--------Dockerfile(2KB)
--------requirements.txt(135B)
--------build_and_push.sh(2KB)
----.flake8(118B)
----container()
--------bert()
--------pytorch_build_and_push.sh(2KB)
--------Dockerfile(2KB)
--------Dockerfile_cpu(2KB)
--------build_and_push.sh(2KB)
----sample_data()
--------imdb_movie_reviews()
--------multi_label_toxic_comments()
----deploy_pip.sh(72B)
----container_ner()
--------bert()
--------Dockerfile(2KB)
--------build_and_push.sh(2KB)
----images()
--------lr_finder.png(77KB)
----.vscode()
--------settings.json(228B)
----requirements.txt(147B)
----container_lm()
--------bert()
--------Dockerfile(2KB)
--------build_and_push.sh(2KB)
----LICENSE(11KB)
----test()
--------tokenizer_vocab()
--------multi_class.ipynb(19KB)
--------summarisation.ipynb(4KB)
----setup.py(988B)
----README.md(23KB)
----sample_notebooks()
--------toxic_comments_sagemaker.ipynb(6KB)
--------new-toxic-predict.ipynb(52KB)
--------new-toxic-multilabel.ipynb(79KB)
--------gpu_util.ipynb(16KB)
----.gitignore(1KB)