文件名称：bert-classification-tf-serving:使用BERT训练分类模型并通过tensorflow服务部署模型
文件大小：1.79MB
文件格式：ZIP
更新时间：2024-05-27 07:18:59
tensorflow bert tensorflow-serving classification-model Python
伯特分类服务 介绍 使用训练分类模型并通过部署模型。 然后，我们可以使用REST API进行在线预测。 开始使用 整个实验基于Chnsenticorp数据集，该数据集是正面和负面情绪的两类数据集。 0.准备训练前模型 下载中文bert模型chinese_L-12_H-768_A-12 ，然后解压缩并移至models目录。 1.训练模型 sh fine-tuning.sh 2.进行预测和导出模型 我们需要将检查点更改为张量流服务的格式。 sh export-model.sh 然后， export-model的结构将为： . └── 1569141360 ├── saved_model.pb └── variables ├── variables.data-00000-of-00001 └── variables.index 3.部署模型
【文件预览】：
bert-classification-tf-serving-master
----export-model.sh(635B)
----data()
--------chnsenticorp()
----models()
--------fine-tuning-model()
--------export-model()
----google-bert()
--------predicting_movie_reviews_with_bert_on_tf_hub.ipynb(65KB)
--------optimization_test.py(2KB)
--------tokenization.py(12KB)
--------requirements.txt(110B)
--------tokenization_test.py(4KB)
--------modeling_test.py(9KB)
--------__init__.py(616B)
--------CONTRIBUTING.md(1KB)
--------run_squad.py(45KB)
--------run_classifier.py(39KB)
--------LICENSE(11KB)
--------optimization.py(6KB)
--------run_classifier_with_tfhub.py(11KB)
--------modeling.py(37KB)
--------README.md(44KB)
--------sample_text.txt(4KB)
--------multilingual.md(11KB)
--------run_pretraining.py(18KB)
--------extract_features.py(14KB)
--------create_pretraining_data.py(16KB)
----predict_online.py(1KB)
----fine-tuing.sh(557B)
----readme.md(3KB)