BERT ile metni sınıflandırma

TensorFlow.org'da görüntüleyin Google Colab'da çalıştırın GitHub'da görüntüle Not defterini indir TF Hub modeline bakın

Bu öğretici, düz metin IMDB film incelemelerinden oluşan bir veri kümesinde duyarlılık analizi yapmak üzere BERT'ye ince ayar yapmak için eksiksiz bir kod içerir. Bir modeli eğitmeye ek olarak, metni uygun bir formatta nasıl önişlemden geçireceğinizi öğreneceksiniz.

Bu not defterinde şunları yapacaksınız:

  • IMDB veri kümesini yükleyin
  • TensorFlow Hub'dan bir BERT modeli yükleyin
  • BERT ile bir sınıflandırıcıyı birleştirerek kendi modelinizi oluşturun
  • Kendi modelinizi eğitin, bunun bir parçası olarak BERT'ye ince ayar yapın
  • Modelinizi kaydedin ve cümleleri sınıflandırmak için kullanın

IMDB veri kümesiyle çalışmakta yeniyseniz, daha fazla ayrıntı için lütfen Temel metin sınıflandırmasına bakın.

BERT hakkında

BERT ve diğer Transformer kodlayıcı mimarileri, NLP'deki (doğal dil işleme) çeşitli görevlerde çılgınca başarılı olmuştur. Derin öğrenme modellerinde kullanım için uygun olan doğal dilin vektör-uzay temsillerini hesaplarlar. BERT model ailesi, giriş metninin her bir belirtecini, önce ve sonra tüm belirteçlerin tam bağlamında işlemek için Transformer kodlayıcı mimarisini kullanır, dolayısıyla adı: Transformers'tan Çift Yönlü Kodlayıcı Temsilleri.

BERT modelleri genellikle büyük bir metin topluluğu üzerinde önceden eğitilir, ardından belirli görevler için ince ayar yapılır.

Kurulum

# A dependency of the preprocessing for BERT inputs
pip install -q -U tensorflow-text

AdamW optimizer'ı tensorflow/modellerinden kullanacaksınız .

pip install -q tf-models-official
import os
import shutil

import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_text as text
from official.nlp import optimization  # to create AdamW optimizer

import matplotlib.pyplot as plt

tf.get_logger().setLevel('ERROR')

duygu analizi

Bu not defteri, film incelemelerini inceleme metnine göre olumlu veya olumsuz olarak sınıflandırmak için bir duygu analizi modeli eğitir.

İnternet Film Veritabanından 50.000 film incelemesinin metnini içeren Büyük Film İnceleme Veri Kümesini kullanacaksınız.

IMDB veri setini indirin

Veri kümesini indirip çıkaralım, ardından dizin yapısını keşfedelim.

url = 'https://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz'

dataset = tf.keras.utils.get_file('aclImdb_v1.tar.gz', url,
                                  untar=True, cache_dir='.',
                                  cache_subdir='')

dataset_dir = os.path.join(os.path.dirname(dataset), 'aclImdb')

train_dir = os.path.join(dataset_dir, 'train')

# remove unused folders to make it easier to load the data
remove_dir = os.path.join(train_dir, 'unsup')
shutil.rmtree(remove_dir)
Downloading data from https://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz
84131840/84125825 [==============================] - 7s 0us/step

Ardından, etiketli birtf.data.Dataset oluşturmak için text_dataset_from_directory yardımcı programınıtf.data.Dataset .

IMDB veri kümesi zaten eğitim ve test olarak bölünmüştür, ancak bir doğrulama kümesinden yoksundur. Aşağıdaki validation_split argümanını kullanarak eğitim verilerinin 80:20 bölünmesini kullanarak bir doğrulama seti oluşturalım.

AUTOTUNE = tf.data.AUTOTUNE
batch_size = 32
seed = 42

raw_train_ds = tf.keras.preprocessing.text_dataset_from_directory(
    'aclImdb/train',
    batch_size=batch_size,
    validation_split=0.2,
    subset='training',
    seed=seed)

class_names = raw_train_ds.class_names
train_ds = raw_train_ds.cache().prefetch(buffer_size=AUTOTUNE)

val_ds = tf.keras.preprocessing.text_dataset_from_directory(
    'aclImdb/train',
    batch_size=batch_size,
    validation_split=0.2,
    subset='validation',
    seed=seed)

val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

test_ds = tf.keras.preprocessing.text_dataset_from_directory(
    'aclImdb/test',
    batch_size=batch_size)

test_ds = test_ds.cache().prefetch(buffer_size=AUTOTUNE)
Found 25000 files belonging to 2 classes.
Using 20000 files for training.
Found 25000 files belonging to 2 classes.
Using 5000 files for validation.
Found 25000 files belonging to 2 classes.

Birkaç incelemeye göz atalım.

for text_batch, label_batch in train_ds.take(1):
  for i in range(3):
    print(f'Review: {text_batch.numpy()[i]}')
    label = label_batch.numpy()[i]
    print(f'Label : {label} ({class_names[label]})')
Review: b'"Pandemonium" is a horror movie spoof that comes off more stupid than funny. Believe me when I tell you, I love comedies. Especially comedy spoofs. "Airplane", "The Naked Gun" trilogy, "Blazing Saddles", "High Anxiety", and "Spaceballs" are some of my favorite comedies that spoof a particular genre. "Pandemonium" is not up there with those films. Most of the scenes in this movie had me sitting there in stunned silence because the movie wasn\'t all that funny. There are a few laughs in the film, but when you watch a comedy, you expect to laugh a lot more than a few times and that\'s all this film has going for it. Geez, "Scream" had more laughs than this film and that was more of a horror film. How bizarre is that?<br /><br />*1/2 (out of four)'
Label : 0 (neg)
Review: b"David Mamet is a very interesting and a very un-equal director. His first movie 'House of Games' was the one I liked best, and it set a series of films with characters whose perspective of life changes as they get into complicated situations, and so does the perspective of the viewer.<br /><br />So is 'Homicide' which from the title tries to set the mind of the viewer to the usual crime drama. The principal characters are two cops, one Jewish and one Irish who deal with a racially charged area. The murder of an old Jewish shop owner who proves to be an ancient veteran of the Israeli Independence war triggers the Jewish identity in the mind and heart of the Jewish detective.<br /><br />This is were the flaws of the film are the more obvious. The process of awakening is theatrical and hard to believe, the group of Jewish militants is operatic, and the way the detective eventually walks to the final violent confrontation is pathetic. The end of the film itself is Mamet-like smart, but disappoints from a human emotional perspective.<br /><br />Joe Mantegna and William Macy give strong performances, but the flaws of the story are too evident to be easily compensated."
Label : 0 (neg)
Review: b'Great documentary about the lives of NY firefighters during the worst terrorist attack of all time.. That reason alone is why this should be a must see collectors item.. What shocked me was not only the attacks, but the"High Fat Diet" and physical appearance of some of these firefighters. I think a lot of Doctors would agree with me that,in the physical shape they were in, some of these firefighters would NOT of made it to the 79th floor carrying over 60 lbs of gear. Having said that i now have a greater respect for firefighters and i realize becoming a firefighter is a life altering job. The French have a history of making great documentary\'s and that is what this is, a Great Documentary.....'
Label : 1 (pos)

TensorFlow Hub'dan model yükleme

Burada TensorFlow Hub'dan hangi BERT modelini yükleyeceğinizi seçebilir ve ince ayar yapabilirsiniz. Birden fazla BERT modeli mevcuttur.

  • BERT-Base , Kılıfsız ve orijinal BERT yazarları tarafından yayınlanan eğitimli ağırlıklara sahip yedi model daha .
  • Küçük BERT'ler aynı genel mimariye sahiptir ancak daha az ve/veya daha küçük Transformer blokları vardır, bu da hız, boyut ve kalite arasındaki ödünleşimleri keşfetmenize olanak tanır.
  • ALBERT : katmanlar arasında parametreleri paylaşarak model boyutunu küçülten (hesaplama süresini değil) dört farklı boyutta "A Lite BERT".
  • BERT Uzmanları : Hepsi BERT tabanlı mimariye sahip ancak hedef görevle daha yakından uyum sağlamak için farklı ön eğitim alanları arasında bir seçim sunan sekiz model.
  • Electra , BERT ile aynı mimariye sahiptir (üç farklı boyutta), ancak bir Üretici Düşmanlık Ağı'na (GAN) benzeyen bir kurulumda bir ayrımcı olarak önceden eğitilir.
  • Talking-Heads Attention ve Gated GELU [ base , büyük ] ile BERT, Transformer mimarisinin özünde iki iyileştirmeye sahiptir.

TensorFlow Hub'daki model dokümantasyonu daha fazla ayrıntıya ve araştırma literatürüne referanslara sahiptir. Yukarıdaki bağlantıları izleyin veya sonraki hücre yürütmesinden sonra yazdırılan tfhub.dev URL'sini tıklayın.

Öneri, ince ayar yapmak için daha hızlı olduklarından Küçük BERT (daha az parametre ile) ile başlamaktır. Küçük bir modeli seviyorsanız ancak daha yüksek doğrulukta bir model istiyorsanız, ALBERT bir sonraki seçeneğiniz olabilir. Daha da iyi doğruluk istiyorsanız, klasik BERT boyutlarından birini veya Electra, Talking Heads veya BERT Expert gibi son iyileştirmelerini seçin.

Aşağıda bulunan modellerin yanı sıra, modellerin daha büyük ve daha da iyi doğruluk sağlayabilen birden çok sürümü vardır, ancak bunlar tek bir GPU'da ince ayar yapılamayacak kadar büyüktür. Bunu , bir TPU işbirliğinde BERT kullanarak GLUE Çöz görevlerinde yapabileceksiniz .

Aşağıdaki kodda, tfhub.dev URL'sini değiştirmenin bu modellerden herhangi birini denemek için yeterli olduğunu göreceksiniz, çünkü aralarındaki tüm farklar TF Hub'ın SavedModels'inde kapsüllenmiştir.

İnce ayar yapmak için bir BERT modeli seçin

BERT model selected           : https://tfhub.dev/tensorflow/small_bert/bert_en_uncased_L-4_H-512_A-8/1
Preprocess model auto-selected: https://tfhub.dev/tensorflow/bert_en_uncased_preprocess/3

ön işleme modeli

Metin girişlerinin, BERT'ye girilmeden önce sayısal belirteç kimliklerine dönüştürülmesi ve birkaç Tensörde düzenlenmesi gerekir. TensorFlow Hub, yukarıda tartışılan BERT modellerinin her biri için, bu dönüşümü TF.text kitaplığındaki TF işlemlerini kullanarak uygulayan eşleşen bir ön işleme modeli sağlar. Metni önceden işlemek için TensorFlow modelinizin dışında saf Python kodu çalıştırmanız gerekmez.

Ön işleme modeli, yukarıda basılı URL'de okuyabileceğiniz BERT modelinin belgelerinde referans verilen model olmalıdır. Yukarıdaki açılır menüden BERT modelleri için ön işleme modeli otomatik olarak seçilir.

bert_preprocess_model = hub.KerasLayer(tfhub_handle_preprocess)

Bir metin üzerinde ön işleme modelini deneyelim ve çıktıyı görelim:

text_test = ['this is such an amazing movie!']
text_preprocessed = bert_preprocess_model(text_test)

print(f'Keys       : {list(text_preprocessed.keys())}')
print(f'Shape      : {text_preprocessed["input_word_ids"].shape}')
print(f'Word Ids   : {text_preprocessed["input_word_ids"][0, :12]}')
print(f'Input Mask : {text_preprocessed["input_mask"][0, :12]}')
print(f'Type Ids   : {text_preprocessed["input_type_ids"][0, :12]}')
Keys       : ['input_type_ids', 'input_mask', 'input_word_ids']
Shape      : (1, 128)
Word Ids   : [ 101 2023 2003 2107 2019 6429 3185  999  102    0    0    0]
Input Mask : [1 1 1 1 1 1 1 1 1 0 0 0]
Type Ids   : [0 0 0 0 0 0 0 0 0 0 0 0]

Gördüğünüz gibi, artık bir BERT modelinin kullanacağı ön işlemeden 3 input_words_id ( input_words_id , input_mask ve input_type_ids ).

Diğer bazı önemli noktalar:

Bu metin önişlemcisi bir TensorFlow modeli olduğundan, doğrudan modelinize dahil edilebilir.

BERT modelini kullanma

BERT'yi kendi modelinize koymadan önce çıktılarına bir göz atalım. TF Hub'dan yükleyecek ve döndürülen değerleri göreceksiniz.

bert_model = hub.KerasLayer(tfhub_handle_encoder)
bert_results = bert_model(text_preprocessed)

print(f'Loaded BERT: {tfhub_handle_encoder}')
print(f'Pooled Outputs Shape:{bert_results["pooled_output"].shape}')
print(f'Pooled Outputs Values:{bert_results["pooled_output"][0, :12]}')
print(f'Sequence Outputs Shape:{bert_results["sequence_output"].shape}')
print(f'Sequence Outputs Values:{bert_results["sequence_output"][0, :12]}')
Loaded BERT: https://tfhub.dev/tensorflow/small_bert/bert_en_uncased_L-4_H-512_A-8/1
Pooled Outputs Shape:(1, 512)
Pooled Outputs Values:[ 0.76262873  0.99280983 -0.1861186   0.36673835  0.15233682  0.65504444
  0.9681154  -0.9486272   0.00216158 -0.9877732   0.0684272  -0.9763061 ]
Sequence Outputs Shape:(1, 128, 512)
Sequence Outputs Values:[[-0.28946388  0.3432126   0.33231565 ...  0.21300787  0.7102078
  -0.05771166]
 [-0.28742015  0.31981024 -0.2301858  ...  0.58455074 -0.21329722
   0.7269209 ]
 [-0.66157013  0.6887685  -0.87432927 ...  0.10877253 -0.26173282
   0.47855264]
 ...
 [-0.2256118  -0.28925604 -0.07064401 ...  0.4756601   0.8327715
   0.40025353]
 [-0.29824278 -0.27473143 -0.05450511 ...  0.48849759  1.0955356
   0.18163344]
 [-0.44378197  0.00930723  0.07223766 ...  0.1729009   1.1833246
   0.07897988]]

BERT modelleri 3 önemli anahtarı olan bir harita döndürür: pooled_output , sequence_output , encoder_outputs :

  • pooled_output , her bir giriş dizisini bir bütün olarak temsil eder. Şekil [batch_size, H] . Bunu tüm film incelemesi için bir yerleştirme olarak düşünebilirsiniz.
  • sequence_output bağlamında belirteci her giriş temsil eder. Şekil [batch_size, seq_length, H] . Bunu, film incelemesindeki her belirteç için bağlamsal bir yerleştirme olarak düşünebilirsiniz.
  • encoder_outputs , L Transformer bloklarının ara aktivasyonlarıdır. outputs["encoder_outputs"][i] , 0 <= i < L için i-th Transformer bloğunun çıkışları ile [batch_size, seq_length, 1024] şeklinde bir [batch_size, seq_length, 1024] . Listenin son değer eşittir sequence_output .

İnce ayar için pooled_output dizisini kullanacaksınız.

Modelinizi tanımlayın

Ön işleme modeli, seçilen BERT modeli, bir Yoğun ve bir Bırakma katmanı ile çok basit ince ayarlı bir model oluşturacaksınız.

def build_classifier_model():
  text_input = tf.keras.layers.Input(shape=(), dtype=tf.string, name='text')
  preprocessing_layer = hub.KerasLayer(tfhub_handle_preprocess, name='preprocessing')
  encoder_inputs = preprocessing_layer(text_input)
  encoder = hub.KerasLayer(tfhub_handle_encoder, trainable=True, name='BERT_encoder')
  outputs = encoder(encoder_inputs)
  net = outputs['pooled_output']
  net = tf.keras.layers.Dropout(0.1)(net)
  net = tf.keras.layers.Dense(1, activation=None, name='classifier')(net)
  return tf.keras.Model(text_input, net)

Modelin ön işleme modelinin çıktısı ile çalıştığını kontrol edelim.

classifier_model = build_classifier_model()
bert_raw_result = classifier_model(tf.constant(text_test))
print(tf.sigmoid(bert_raw_result))
tf.Tensor([[0.50131935]], shape=(1, 1), dtype=float32)

Çıktı elbette anlamsız çünkü model henüz eğitilmedi.

Modelin yapısına bir göz atalım.

tf.keras.utils.plot_model(classifier_model)

png

Model eğitimi

Artık bir modeli eğitmek için ön işleme modülü, BERT kodlayıcı, veri ve sınıflandırıcı dahil tüm parçalara sahipsiniz.

kayıp fonksiyonu

Bu bir ikili sınıflandırma problemi olduğundan ve model bir olasılık (tek birimli katman) losses.BinaryCrossentropy kayıpları kullanacaksınız.BinaryCrossentropy kayıp fonksiyonu.

loss = tf.keras.losses.BinaryCrossentropy(from_logits=True)
metrics = tf.metrics.BinaryAccuracy()

Optimize Edici

İnce ayar için, BERT'in orijinal olarak eğitildiği aynı optimize ediciyi kullanalım: "Uyarlanabilir Anlar" (Adam). Bu optimize edici, tahmin kaybını en aza indirir ve AdamW olarak da bilinen ağırlık düşüşüyle (momentleri kullanmadan) düzenleme yapar .

Öğrenme oranı ( init_lr ) için, BERT ön eğitimi ile aynı programı kullanacaksınız: eğitim adımlarının ilk %10'u ( num_warmup_steps ) üzerinde doğrusal bir ısınma aşaması ile ön eklenmiş bir kavramsal ilk öğrenme oranının doğrusal num_warmup_steps . BERT belgesine uygun olarak, ilk öğrenme oranı ince ayar için daha küçüktür (5e-5, 3e-5, 2e-5'in en iyisi).

epochs = 5
steps_per_epoch = tf.data.experimental.cardinality(train_ds).numpy()
num_train_steps = steps_per_epoch * epochs
num_warmup_steps = int(0.1*num_train_steps)

init_lr = 3e-5
optimizer = optimization.create_optimizer(init_lr=init_lr,
                                          num_train_steps=num_train_steps,
                                          num_warmup_steps=num_warmup_steps,
                                          optimizer_type='adamw')

BERT modelinin yüklenmesi ve eğitim

Daha önce oluşturduğunuz classifier_model kullanarak, modeli kayıp, metrik ve optimize edici ile derleyebilirsiniz.

classifier_model.compile(optimizer=optimizer,
                         loss=loss,
                         metrics=metrics)
print(f'Training model with {tfhub_handle_encoder}')
history = classifier_model.fit(x=train_ds,
                               validation_data=val_ds,
                               epochs=epochs)
Training model with https://tfhub.dev/tensorflow/small_bert/bert_en_uncased_L-4_H-512_A-8/1
Epoch 1/5
625/625 [==============================] - 83s 124ms/step - loss: 0.4881 - binary_accuracy: 0.7403 - val_loss: 0.3917 - val_binary_accuracy: 0.8340
Epoch 2/5
625/625 [==============================] - 77s 124ms/step - loss: 0.3296 - binary_accuracy: 0.8518 - val_loss: 0.3714 - val_binary_accuracy: 0.8450
Epoch 3/5
625/625 [==============================] - 78s 124ms/step - loss: 0.2530 - binary_accuracy: 0.8939 - val_loss: 0.4036 - val_binary_accuracy: 0.8486
Epoch 4/5
625/625 [==============================] - 78s 124ms/step - loss: 0.1968 - binary_accuracy: 0.9226 - val_loss: 0.4468 - val_binary_accuracy: 0.8502
Epoch 5/5
625/625 [==============================] - 78s 124ms/step - loss: 0.1604 - binary_accuracy: 0.9392 - val_loss: 0.4716 - val_binary_accuracy: 0.8498

Modeli değerlendirin

Modelin nasıl performans gösterdiğini görelim. İki değer döndürülür. Kayıp (hatayı temsil eden bir sayı, daha düşük değerler daha iyidir) ve doğruluk.

loss, accuracy = classifier_model.evaluate(test_ds)

print(f'Loss: {loss}')
print(f'Accuracy: {accuracy}')
782/782 [==============================] - 53s 67ms/step - loss: 0.4476 - binary_accuracy: 0.8554
Loss: 0.44761356711387634
Accuracy: 0.8554400205612183

Doğruluğu ve zaman içindeki kaybı çizin

model.fit() tarafından döndürülen History nesnesine model.fit() . Karşılaştırma için eğitim ve doğrulama kaybının yanı sıra eğitim ve doğrulama doğruluğunu da çizebilirsiniz:

history_dict = history.history
print(history_dict.keys())

acc = history_dict['binary_accuracy']
val_acc = history_dict['val_binary_accuracy']
loss = history_dict['loss']
val_loss = history_dict['val_loss']

epochs = range(1, len(acc) + 1)
fig = plt.figure(figsize=(10, 6))
fig.tight_layout()

plt.subplot(2, 1, 1)
# "bo" is for "blue dot"
plt.plot(epochs, loss, 'r', label='Training loss')
# b is for "solid blue line"
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
# plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()

plt.subplot(2, 1, 2)
plt.plot(epochs, acc, 'r', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend(loc='lower right')
dict_keys(['loss', 'binary_accuracy', 'val_loss', 'val_binary_accuracy'])
<matplotlib.legend.Legend at 0x7f542fffc590>

png

Bu grafikte, kırmızı çizgiler eğitim kaybını ve doğruluğunu temsil eder ve mavi çizgiler doğrulama kaybını ve doğruluğunu gösterir.

Çıkarım için dışa aktar

Şimdi ince ayarlı modelinizi daha sonra kullanmak üzere kaydedin.

dataset_name = 'imdb'
saved_model_path = './{}_bert'.format(dataset_name.replace('/', '_'))

classifier_model.save(saved_model_path, include_optimizer=False)
WARNING:absl:Found untraced functions such as restored_function_body, restored_function_body, restored_function_body, restored_function_body, restored_function_body while saving (showing 5 of 310). These functions will not be directly callable after loading.

Modeli yeniden yükleyelim, böylece hala hafızada olan modelle yan yana deneyebilirsiniz.

reloaded_model = tf.saved_model.load(saved_model_path)

Burada modelinizi istediğiniz herhangi bir cümle üzerinde test edebilirsiniz, sadece aşağıdaki örnekler değişkenine ekleyin.

def print_my_examples(inputs, results):
  result_for_printing = \
    [f'input: {inputs[i]:<30} : score: {results[i][0]:.6f}'
                         for i in range(len(inputs))]
  print(*result_for_printing, sep='\n')
  print()


examples = [
    'this is such an amazing movie!',  # this is the same sentence tried earlier
    'The movie was great!',
    'The movie was meh.',
    'The movie was okish.',
    'The movie was terrible...'
]

reloaded_results = tf.sigmoid(reloaded_model(tf.constant(examples)))
original_results = tf.sigmoid(classifier_model(tf.constant(examples)))

print('Results from the saved model:')
print_my_examples(examples, reloaded_results)
print('Results from the model in memory:')
print_my_examples(examples, original_results)
Results from the saved model:
input: this is such an amazing movie! : score: 0.998905
input: The movie was great!           : score: 0.994330
input: The movie was meh.             : score: 0.968163
input: The movie was okish.           : score: 0.069656
input: The movie was terrible...      : score: 0.000776

Results from the model in memory:
input: this is such an amazing movie! : score: 0.998905
input: The movie was great!           : score: 0.994330
input: The movie was meh.             : score: 0.968163
input: The movie was okish.           : score: 0.069656
input: The movie was terrible...      : score: 0.000776

Modelinizi TF Serving üzerinde kullanmak istiyorsanız, SavedModel'inizi adlandırılmış imzalarından biri aracılığıyla arayacağını unutmayın. Python'da bunları aşağıdaki gibi test edebilirsiniz:

serving_results = reloaded_model \
            .signatures['serving_default'](tf.constant(examples))

serving_results = tf.sigmoid(serving_results['classifier'])

print_my_examples(examples, serving_results)
input: this is such an amazing movie! : score: 0.998905
input: The movie was great!           : score: 0.994330
input: The movie was meh.             : score: 0.968163
input: The movie was okish.           : score: 0.069656
input: The movie was terrible...      : score: 0.000776

Sonraki adımlar

Bir sonraki adım olarak, bir TPU üzerinde çalışan ve size birden çok girişle nasıl çalışacağınızı gösteren TPU eğitiminde BERT kullanarak GLUE görevlerini çözmeyi deneyebilirsiniz.