Bert-Multi-Label-Text-Classification
Este repositorio contiene una implementación en PyTorch de un modelo BERT preentrenado para clasificación de texto multietiqueta.
Clasifica texto en múltiples categorías utilizando un modelo de IA preentrenado con pasos de configuración simples.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasEste repositorio contiene una implementación en PyTorch de un modelo BERT preentrenado para clasificación de texto multietiqueta.
Bert-Multi-Label-Text-Classification tiene 923 estrellas en GitHub. Se ha bifurcado 208 veces. Bert-Multi-Label-Text-Classification está escrito principalmente en Python. Se desarrolla activamente desde 2019. Bert-Multi-Label-Text-Classification está disponible bajo la licencia MIT. Sus temas principales son: albert, bert, fine-tuning, multi-label-classification.
¿Qué es Bert-Multi-Label-Text-Classification?
Este repositorio contiene una implementación en PyTorch de un modelo BERT preentrenado para clasificación de texto multietiqueta.
¿Bert-Multi-Label-Text-Classification es de código abierto?
Bert-Multi-Label-Text-Classification es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿Bert-Multi-Label-Text-Classification es gratis?
Sí. Bert-Multi-Label-Text-Classification es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está Bert-Multi-Label-Text-Classification?
Bert-Multi-Label-Text-Classification está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito Bert-Multi-Label-Text-Classification?
Bert-Multi-Label-Text-Classification está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/lonepatient-bert-multi-label-text-classification.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.