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

Easy fine-tuning for BERT models

ویژگی	مقدار
سیستم عامل	-
نام فایل	bert-for-sequence-classification-0.0.4
نام	bert-for-sequence-classification
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Tatiana Iazykova
ایمیل نویسنده	tania_yazykova@bk.ru
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/bert-for-sequence-classification/
مجوز	-

[![pypi version](https://img.shields.io/pypi/v/bert-for-sequence-classification)](https://pypi.org/project/bert-for-sequence-classification) [![pypi downloads](https://img.shields.io/pypi/dm/bert-for-sequence-classification)](https://pypi.org/project/bert-for-sequence-classification) # bert-for-sequence-classification Pipeline for easy fine-tuning of BERT architecture for sequence classification ## Quick Start ### Installation 1. Install the library ``` pip install bert-for-sequence-classification ``` 2. If you want to train you model on GPU, please install pytorch version compatible with your device. To find the version compatible with the cuda installed on your GPU, check [Pytorch website](https://pytorch.org/get-started/previous-versions/). You can learn CUDA version installed on your device by typing `nvidia-smi` in console or `!nvidia-smi` in a notebook cell. ### CLI Use ``` bert-clf-train --path_to_config <path to yaml file> ``` Example config file can be found [here](config.yaml) ### Jupyter notebook Example notebook can be found [here](example/pipeline_example.ipynb) ### Inference mode When using your trained model for inference it depends on how you saved your model if path_to_state_dict in [config](config.yaml) is equal to false, then if you have the library installed: ```python import torch import pandas as pd device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = torch.load( "path_to_saved_model", map_location=device ) model.eval() df = pd.read_csv("path_to_some_df") df["target_column"] = df["text_column"].apply(model.predict) ``` Otherwise: ```python import torch import json import pandas as pd from bert_clf.src.BertCLF import BertCLF from transformers import AutoModel, AutoTokenizer device = torch.device("cuda" if torch.cuda.is_available() else "cpu") tokenizer = AutoTokenizer.from_pretrained( pretrained_model_name_or_path="pretrained_model_name_or_path" ) model_bert = AutoModel.from_pretrained( pretrained_model_name_or_path="pretrained_model_name_or_path" ).to(device) id2label = json.load(open("path/to/saved/mapper")) # mapper is saved with the state dict model = BertCLF( pretrained_model=model_bert, tokenizer=tokenizer, id2label=id2label, dropout="some number", device=device ) model.load_state_dict( torch.load( "path_to_state_dict", map_location=device ), strict=False ) model.eval() df = pd.read_csv("path_to_some_df") df["target_column"] = df["text_column"].apply(model.predict) ```

نیازمندی

مقدار	نام
>=4.2.0	transformers
!=1.10,>=1.7.1	torch
>=1.19.5	numpy
>=1.1.5	pandas
>=1.0	scikit-learn
>=6.0	pyyaml
>=3.0.9	openpyxl

نحوه نصب

نصب پکیج whl bert-for-sequence-classification-0.0.4:

pip install bert-for-sequence-classification-0.0.4.whl

نصب پکیج tar.gz bert-for-sequence-classification-0.0.4:

pip install bert-for-sequence-classification-0.0.4.tar.gz