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

Question-Answering system using state-of-the-art pre-trained language models.

ویژگی	مقدار
سیستم عامل	-
نام فایل	bert-qa-0.1.0
نام	bert-qa
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Artit Wangperawong
ایمیل نویسنده	artitw@gmail.com
آدرس صفحه اصلی	https://github.com/artitw/BERT_QA
آدرس اینترنتی	https://pypi.org/project/bert-qa/
مجوز	-

# BERT-QA Build question-answering systems using state-of-the-art pre-trained contextualized language models, e.g. BERT. We are working to accelerate the development of question-answering systems based on BERT and TF 2.0! ## Background This project is based on our study: [Question Generation by Transformers](https://arxiv.org/abs/1909.05017). ### Citation To cite this work, use the following BibTeX citation. ``` @article{question-generation-transformers@2019, title={Question Generation by Transformers}, author={Kriangchaivech, Kettip and Wangperawong, Artit}, journal={arXiv preprint arXiv:1909.05017}, year={2019} } ``` ## Requirements TensorFlow 2.0 will be installed if not already on your system ## Installation ``` pip install bert_qa ``` ## Example usage Run Colab demo notebook [here](https://colab.research.google.com/drive/1-tLvxSuI0ik2BaruaY_Ivoh_4eobWzEW). ### download pre-trained models and SQuAD data ``` wget -q https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/uncased_L-12_H-768_A-12.tar.gz tar -xvzf uncased_L-12_H-768_A-12.tar.gz mv -f home/hongkuny/public/pretrained_models/keras_bert/uncased_L-12_H-768_A-12 . ``` ### download SQuAD data ``` wget -q https://rajpurkar.github.io/SQuAD-explorer/dataset/dev-v1.1.json wget -q https://rajpurkar.github.io/SQuAD-explorer/dataset/train-v1.1.json ``` ### import, initialize, pre-process data, finetune, and predict! ``` from bert_qa import squad qa = squad.SQuAD() qa.preprocess_training_data() qa.fit() predictions = qa.predict() ``` ### evaluate ``` import json pred_data = json.load(open('model/predictions.json')) dev_data = json.load(open('dev-v1.1.json'))['data'] qa.evaluate(dev_data, pred_data) ``` ## Advanced usage ### Model type The default model is an uncased Bidirectional Encoder Representations from Transformers (BERT) consisting of 12 transformer layers, 12 self-attention heads per layer, and a hidden size of 768. Below are all models currently supported that you can specify with `hub_module_handle`. We expect that more will be added in the future. For more information, see [TensorFlow's BERT GitHub](https://github.com/tensorflow/models/blob/master/official/nlp/bert/README.md). * **[`BERT-Large, Uncased (Whole Word Masking)`](https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/wwm_uncased_L-24_H-1024_A-16.tar.gz)**: 24-layer, 1024-hidden, 16-heads, 340M parameters * **[`BERT-Large, Cased (Whole Word Masking)`](https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/wwm_cased_L-24_H-1024_A-16.tar.gz)**: 24-layer, 1024-hidden, 16-heads, 340M parameters * **[`BERT-Base, Uncased`](https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/uncased_L-12_H-768_A-12.tar.gz)**: 12-layer, 768-hidden, 12-heads, 110M parameters * **[`BERT-Large, Uncased`](https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/uncased_L-24_H-1024_A-16.tar.gz)**: 24-layer, 1024-hidden, 16-heads, 340M parameters * **[`BERT-Base, Cased`](https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/cased_L-12_H-768_A-12.tar.gz)**: 12-layer, 768-hidden, 12-heads , 110M parameters * **[`BERT-Large, Cased`](https://storage.googleapis.com/cloud-tpu-checkpoints/bert/keras_bert/cased_L-24_H-1024_A-16.tar.gz)**: 24-layer, 1024-hidden, 16-heads, 340M parameters ## Contributing BERT-QA is an open-source project founded and maintained to better serve the machine learning and data science community. Please feel free to submit pull requests to contribute to the project. By participating, you are expected to adhere to BERT-QA's [code of conduct](CODE_OF_CONDUCT.md). ## Questions? For questions or help using BERT-QA, please submit a GitHub issue.

نیازمندی

مقدار	نام
-	sentencepiece
>=2.0.0	tensorflow
>=2.0.0	tensorflow-gpu
>=0.6.0	tensorflow-hub

نحوه نصب

نصب پکیج whl bert-qa-0.1.0:

pip install bert-qa-0.1.0.whl

نصب پکیج tar.gz bert-qa-0.1.0:

pip install bert-qa-0.1.0.tar.gz