معرفی شرکت ها

bert-sent-encoding-0.2.0

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.2.0
0.1.4
0.1.3
0.1.2
0.1.1
0.2.0
0.1.4
0.1.3
0.1.2
0.1.1

توضیحات

A bert sentence encoding tool
ویژگی مقدار
سیستم عامل -
نام فایل bert-sent-encoding-0.2.0
نام bert-sent-encoding
نسخه کتابخانه 0.2.0
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Shao Jianzhi
ایمیل نویسنده shaojianzhi2012@163.com
آدرس صفحه اصلی https://gitlab.leihuo.netease.com/shaojianzhi/bert-sent-encoding
آدرس اینترنتی https://pypi.org/project/bert-sent-encoding/
مجوز BSD
This is a bert sentence encoding tool. ## Install pip install --index-url https://pypi.python.org/simple/ bert-sent-encoding==0.2.0 or git clone ssh://git@gitlab.leihuo.netease.com:32200/shaojianzhi/bert-sent-encoding.git cd bert-sent-encoding python setup.py install ## Use from bert_sent_encoding import bert_sent_encoding # 1st line bse = bert_sent_encoding(model_path='bert_sent_encoding/model/chinese_L-12_H-768_A-12', seq_length=64, batch_size=8) # 2nd line vector = bse.get_vector('你吃饭了吗', word_vector=False, layer=-1) # 3rd line 1. get vector of string vectors = bse.get_vector(['你吃饭了吗', '已经吃了呀'], word_vector=False, layer=-1) # 4th line 2. get vector list of strings bse.write_txt2vector(input_file, output_file, word_vector=False, layer=-1) # 5th line 3. get and write vectors of strings ### for 2nd line: bse = bert_sent_encoding(model_path='bert_sent_encoding/model/chinese_L-12_H-768_A-12', seq_length=64, batch_size=8) *model_path is required, seq_length and batch_size are optional ### for 3rd, 4th and 5th lines vector = bse.get_vector('你吃饭了吗', word_vector=False, layer=-1) # 3rd line 1. get vector of string vectors = bse.get_vector(['你吃饭了吗', '已经吃了呀'], word_vector=False, layer=-1) # 4th line 2. get vector list of strings bse.write_txt2vector(input_file, output_file, word_vector=False, layer=-1) # 5th line 3. get and write vectors of strings *word_vector and layer are optional* ### for 5th line: bse.write_txt2vector(input_file, output_file) # 3. get and write vectors of strings path of **input_file** and **output_file** are defined by user and below is content of **input_file**: the first line text the second line text ...


نیازمندی

مقدار نام
- tqdm
- boto3
- botocore
- requests
- numpy
- torch


نحوه نصب


نصب پکیج whl bert-sent-encoding-0.2.0:

    pip install bert-sent-encoding-0.2.0.whl


نصب پکیج tar.gz bert-sent-encoding-0.2.0:

    pip install bert-sent-encoding-0.2.0.tar.gz