مایکروسافت API طبقه بندی متن را برای ML.NET پیش نمایش می کند

API طبقه‌بندی متن جدید برای چارچوب یادگیری ماشین منبع باز مایکروسافت، آموزش مدل را با استفاده از داده‌های شما برای تنظیم دقیق مدل موجود ساده می‌کند.

مایکروسافت پیش نمایشی از ML.NET Text Classification API رونمایی کرده است، یک API با هدف آسان تر کردن آموزش مدل های طبقه بندی متن سفارشی با استفاده از منبع باز چارچوب یادگیری ماشین ML.NET. p>

مایکروسافت گفت که ML.NET Text Classification API که در ۱۴ ژوئن معرفی شد، از تکنیک های یادگیری عمیق “به روز” استفاده می کند. ML.NET به توسعه دهندگان اجازه می دهد تا مدل های یادگیری ماشینی سفارشی را در برنامه های دات نت ادغام کنند. طبقه بندی متن فرآیند اعمال برچسب یا دسته بندی به متن است. موارد استفاده رایج شامل دسته‌بندی ایمیل به عنوان هرزنامه یا غیر هرزنامه، تجزیه و تحلیل احساسات به عنوان مثبت یا منفی از نظرات مشتریان، و استفاده از برچسب‌ها برای پشتیبانی از بلیط‌ها است.

API طبقه‌بندی متن ML.NET توسط کتابخانه TorchSharp .NET پشتیبانی می‌شود که دسترسی به کتابخانه libtorch را فراهم می‌کند که چارچوب یادگیری ماشین PyTorch را تامین می‌کند. TorchSharp دارای قابلیت های سطح پایینی برای آموزش شبکه های عصبی از ابتدا در دات نت است. برای ML.NET، برخی از پیچیدگی های TorchSharp برای آسان کردن این آموزش خلاصه شده است.

با همکاری Microsoft Research، مایکروسافت پیاده‌سازی TorchSharp از NAS-BERT (بازنمایی‌های رمزگذار دوطرفه از ترانسفورماتورها)، نوعی از BERT که با جستجوی معماری عصبی به دست آمد و آن را به ML.NET اضافه کرد. با شروع یک نسخه از پیش آموزش‌دیده‌شده این مدل، API طبقه‌بندی متن از داده‌های کاربر برای تنظیم دقیق مدل موجود استفاده می‌کند تا اینکه یک مدل جدید از ابتدا بسازد.

Text Classification API بخشی از نسخه های ۲.۰.۰ و ۰.۲۰.۰ پیش نمایش ML.NET است. علاوه بر بسته Microsoft.ML، به Microsoft.ML.TorchSharp و TorchSharp-cpu (در صورت استفاده از CPU) یا TorchSharp-cuda-windows یا TorchSharp-cuda- linux (در صورت استفاده از GPU).

توسعه دهندگان می توانند از مدیر بسته NuGet در Visual Studio یا NET CLI برای نصب بسته ها استفاده کنند. نمونه کدهای API را می‌توانید در نوت بوک API طبقه بندی متن.

مایکروسافت اشاره کرد که هنوز محدودیت‌هایی در API وجود دارد، مانند عدم امکان استفاده از روش Evaluate برای محاسبه معیارهای ارزیابی. بهبودهایی در API همراه با معرفی دیگر APIهای مبتنی بر سناریو برنامه ریزی شده است.