Sono passati due mesi dall'ultima recensione ricevuta da questo profilo

Recensioni e Dettagli del Prodotto BERT Base Uncased TensorFlow Sentence Pair Classification

Questo è un modello di classificazione di coppie di frasi costruito su un modello di embedding di testo da [TensorFlow Hub](https://tfhub.dev/tensorflow/bert_en_uncased_L-12_H-768_A-12/2 ). Prende come input una coppia di frasi e classifica la coppia di input come 'implicazione' o 'non-implicazione'. L'etichetta di classe implicazione implica che la seconda frase implica la prima frase, e la non-implicazione implica che non lo fa. Il modello di embedding di testo, che è pre-addestrato su WikiPedia e BookCorpus, restituisce un embedding della coppia di frasi di input.

Venditore

Amazon Web Services (AWS)

Discussioni

Comunità BERT Base Uncased TensorFlow Sentence Pair Classification

Le recensioni di G2 sono autentiche e verificate.

Ecco come.

US

Utente verificato in Software per computer

Mid-Market (51-1000 dip.)

1/25/2025

"Buon modello per la classificazione accurata delle frasi"

4/5

Cosa ti piace di più di BERT Base Uncased TensorFlow Sentence Pair Classification?

La sua precisione è la cosa che mi piace di più e anche la sua popolarità tra la classe di modelli bert. Recensione raccolta e ospitata su G2.com.

Cosa non ti piace di BERT Base Uncased TensorFlow Sentence Pair Classification?

È la dimensione e il tempo che ho impiegato per casi d'uso specifici, ma ovviamente la precisione non arriva così facilmente. Recensione raccolta e ospitata su G2.com.

GB

Goonmeet B.

Graduate Research Associate

Piccola impresa (50 o meno dip.)

11/30/2022

"Facile da usare e configurare"

5/5

Cosa ti piace di più di BERT Base Uncased TensorFlow Sentence Pair Classification?

Il modello preaddestrato è abbastanza semplice da configurare con il pacchetto TensorFlow.

Può anche essere utilizzato con PyTorch esportando il modello.

Inoltre, puoi anche ottenere il tokenizer per il modello. Recensione raccolta e ospitata su G2.com.

Cosa non ti piace di BERT Base Uncased TensorFlow Sentence Pair Classification?

Direi che le limitazioni non sono nel modello stesso ma nel framework TensorFlow.

Consiglierei di utilizzare HuggingFace o Pytorch come alternativa. Recensione raccolta e ospitata su G2.com.

CI

Utente verificato in Internet

Mid-Market (51-1000 dip.)

11/22/2022

Partner commerciale del venditore o concorrente del venditore, non incluso nei punteggi G2.

"Corpus molto grande e ricco di vocabolario con embedding ottimizzato ad alta precisione"

4.5/5

Cosa ti piace di più di BERT Base Uncased TensorFlow Sentence Pair Classification?

Gli embedding sono molto densi e potenti. Il dataset utilizzato per addestrare questo modello risolve tutti i nostri problemi a livello industriale come la sintesi, la nuova classificazione e il completamento automatico dei chatbot. Recensione raccolta e ospitata su G2.com.

Cosa non ti piace di BERT Base Uncased TensorFlow Sentence Pair Classification?

Il modello ha un'accuratezza elevata, ma la dimensione del modello è molto grande. A livello di server sta funzionando benissimo, ma per il deployment offline e su dispositivo è lento. Per un uso ottimale dobbiamo utilizzarlo nel cloud. Recensione raccolta e ospitata su G2.com.

GG

Garima G.

Associate Lead Machine Learning

Mid-Market (51-1000 dip.)

11/22/2022

Partner commerciale del venditore o concorrente del venditore, non incluso nei punteggi G2.

"Facile da usare con molteplici casi d'uso e buone prestazioni"

4.5/5

Cosa ti piace di più di BERT Base Uncased TensorFlow Sentence Pair Classification?

È addestrato su un enorme dataset ed è facile da integrare in molteplici casi d'uso per trovare somiglianze o implicazioni, il che ci aiuta notevolmente nei nostri requisiti di NLP e ci fa risparmiare molto tempo di addestramento. Recensione raccolta e ospitata su G2.com.

Cosa non ti piace di BERT Base Uncased TensorFlow Sentence Pair Classification?

Le prestazioni del modello sono buone, ma le variazioni con Albert e BigBird ci aiuteranno ancora di più per i casi d'uso con diversi vincoli di distribuzione e requisiti di accuratezza diventeranno adatte. Recensione raccolta e ospitata su G2.com.