Fine Tune BERT for Text Classification with TensorFlow

4.6
звезд

Оценки: 135

•

Рецензии: 30

от партнера

8 870 уже зарегистрированы

В этом Бесплатный проект с консультациями вы:

Build TensorFlow Input Pipelines for Text Data with the tf.data API

Tokenize and Preprocess Text for BERT

Fine-tune BERT for text classification with TensorFlow 2 and TensorFlow Hub

Продемонстрируйте этот практический опыт на собеседовании

2.5 hours
Учащийся среднего уровня
Загрузка не требуется
Видео на разделенном экране
Английский
Только для ПК

This is a guided project on fine-tuning a Bidirectional Transformers for Language Understanding (BERT) model for text classification with TensorFlow. In this 2.5 hour long project, you will learn to preprocess and tokenize data for BERT classification, build TensorFlow input pipelines for text data with the tf.data API, and train and evaluate a fine-tuned BERT model for text classification with TensorFlow 2 and TensorFlow Hub. Prerequisites: In order to successfully complete this project, you should be competent in the Python programming language, be familiar with deep learning for Natural Language Processing (NLP), and have trained models with TensorFlow or and its Keras API. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Требования

It is assumed that are competent in Python programming and have prior experience with building deep learning NLP models with TensorFlow or Keras

Навыки, которые вы получите

  • natural-language-processing

  • Tensorflow

  • machine-learning

  • deep-learning

  • BERT

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Introduction to the Project

  2. Setup your TensorFlow and Colab Runtime

  3. Download and Import the Quora Insincere Questions Dataset

  4. Create tf.data.Datasets for Training and Evaluation

  5. Download a Pre-trained BERT Model from TensorFlow Hub

  6. Tokenize and Preprocess Text for BERT

  7. Wrap a Python Function into a TensorFlow op for Eager Execution

  8. Create a TensorFlow Input Pipeline with tf.data

  9. Add a Classification Head to the BERT hub.KerasLayer

  10. Fine-Tune and Evaluate BERT for Text Classification

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Преподаватели

Рецензии

Лучшие отзывы о курсе FINE TUNE BERT FOR TEXT CLASSIFICATION WITH TENSORFLOW

Посмотреть все отзывы

Часто задаваемые вопросы

Поскольку ваше рабочее пространство включает облачный рабочий стол, рассчитанный на ноутбук или ПК, проекты с консультациями недоступны на мобильном устройстве.

Преподаватели, ведущие проект с рекомендациями, — это отраслевые эксперты с навыками, инструментами и пониманием темы, которые хотят разделить свои знания с миллионами учащихся по всему миру.

Вы можете скачать и сохранить любой из созданных файлов своего проекта с рекомендациями. Для этого воспользуйтесь функцией "Обозреватель файлов" на облачном рабочем столе.

В верхней части страницы вы можете нажать уровень опыта для этого проекта с консультациями, чтобы просмотреть предварительные требования к знаниями. Преподаватель проведет вас пошагово по каждому уровню проекта с консультациями.

Да, все необходимое для завершения проекта с рекомендациями будет доступно на облачном рабочем столе. Вы сможете открыть этот рабочий стол в браузере.

Вы научитесь выполнять задания в режиме разделенного экрана непосредственно в браузере. В левой части экрана можно выполнять задания в своем рабочем пространстве. В правой части экрана можно просматривать пошаговые инструкции преподавателя по работе с проектом.

Остались вопросы? Посетите Центр поддержки учащихся.

Coursera Footer

Начните карьеру или продвиньтесь по карьерной лестнице

Смотреть популярные темы

Популярные курсы и статьи

Получите диплом или сертификат онлайн

Coursera

Сообщество

Еще

Учитесь, где угодно
Загрузить из App StoreЗагрузить в Google Play
Placeholder