معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

agreementr

ویژگی	مقدار
سیستم عامل	-
نام فایل	agreementr-1.5
نام	agreementr
نسخه کتابخانه	1.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Junjie Wu
ایمیل نویسنده	wujj38@mail2.sysu.edu.cn
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/agreementr/
مجوز	-

# Agreementr ## Intro Agreementr is a package used to predict the value of agreement of texts. It is based on a fine tuned BERT model. ## Install ### Use pip If `pip` is installed, agreementr could be installed directly from it: pip install agreementr ### Dependencies python>=3.6.0 torch>=0.4.1 numpy pandas unidecode pytorch-pretrained-bert pytorch-transformers ## Usage and Example ### Notes: During your first usage, the package will download a model file automatically, which is about 400MB. ### `predict` `predict` is the core method of this package, which takes a single text of a list of texts, and returns a list of raw values in `[1,5]` (higher means more agreement, while lower means less). ### Simplest usage You may directly import `agreementr` and use the default predict method, e.g.: >>> import agreementr >>> agreementr.predict(["I am totally agree with you"]) [4.3568916] ### Construct from class Alternatively, you may also construct the object from class, where you could customize the model path and device: >>> from agreementr import Agreementr >>> ar = Agreementr() # Predict a single text >>> ar.predict(["I am totally agree with you"]) [4.3568916] # Predict a list of texts >>> preds = ar.predict(['I am totally agree with you','I hate you']) >>> f"Raw values are {preds}" [4.3568916 2.42935] More detail on how to construct the object is available in docstrings. ### Model using multiprocessing when preprocessing a large dataset into BERT input features If you want to use several cpu cores via multiprocessing while preprocessing a large dataset, you may construct the object via >>> ar = Agreementr(CPU_COUNT=cpu_cpunt, CHUNKSIZE=chunksize) If you want to faster the code through multi gpus, you may construct the object via >>> ar = Agreementr(is_paralleled=False, BATCH_SIZE = batch_size) ## Contact Junjie Wu (wujj38@mail2.sysu.edu.cn)

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl agreementr-1.5:

pip install agreementr-1.5.whl

نصب پکیج tar.gz agreementr-1.5:

pip install agreementr-1.5.tar.gz