Bert-Multi-Label-Text-Classification
Dieses Repo enthält eine PyTorch-Implementierung eines vortrainierten BERT-Modells für die Mehrfachlabel-Textklassifikation.
Klassifizieren Sie Text in mehrere Kategorien mithilfe eines vortrainierten KI-Modells mit einfachen Einrichtungsschritten.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbarDieses Repo enthält eine PyTorch-Implementierung eines vortrainierten BERT-Modells für die Mehrfachlabel-Textklassifikation.
Bert-Multi-Label-Text-Classification hat 922 Sterne auf GitHub. Es wurde 207-mal geforkt. Bert-Multi-Label-Text-Classification ist hauptsächlich in Python geschrieben. Es wird seit 2019 aktiv entwickelt. Bert-Multi-Label-Text-Classification ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: albert, bert, fine-tuning, multi-label-classification.
Was ist Bert-Multi-Label-Text-Classification?
Dieses Repo enthält eine PyTorch-Implementierung eines vortrainierten BERT-Modells für die Mehrfachlabel-Textklassifikation.
Ist Bert-Multi-Label-Text-Classification Open Source?
Bert-Multi-Label-Text-Classification ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.
Ist Bert-Multi-Label-Text-Classification kostenlos?
Ja. Bert-Multi-Label-Text-Classification ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
Unter welcher Lizenz steht Bert-Multi-Label-Text-Classification?
Bert-Multi-Label-Text-Classification ist unter der MIT-Lizenz verfügbar.
In welcher Sprache ist Bert-Multi-Label-Text-Classification geschrieben?
Bert-Multi-Label-Text-Classification ist hauptsächlich in Python geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://opensourceai.tech/project/lonepatient-bert-multi-label-text-classification.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.