Librería de Python para clasificar textos que aprende de nuevos ejemplos y clases en tiempo de ejecución, con confianza calibrada y detección de datos fuera de distribución.
Adaptive Classifier es una librería de Python basada en PyTorch para clasificar textos, construida sobre encoders de transformers de HuggingFace. Cada clase se representa mediante embeddings prototipo almacenados con FAISS, y se combina una pequeña red neuronal entrenable con la similitud entre prototipos para generar predicciones. Es posible añadir nuevos ejemplos y clases en tiempo de ejecución sin volver a entrenar el modelo completo, y también eliminar ejemplos o clases más adelante.
La librería también cubre los aspectos operativos de un clasificador: calibrar las puntuaciones de confianza con datos reservados para validación, devolver conjuntos de predicciones con un objetivo de cobertura, abstenerse ante entradas con baja confianza o fuera de distribución, sugerir textos sin etiquetar para su anotación y detectar cambios en el tráfico entrante. Los modelos se pueden guardar localmente o subir a HuggingFace Hub, y también se incluye la exportación a ONNX para acelerar la inferencia en CPU.
Ofrece un clasificador multietiqueta, un estimador compatible con scikit-learn y un módulo para servirlo mediante HTTP. El proyecto también incluye un modo experimental de clasificación estratégica que combina predicciones con un modelo basado en costes de manipulación adversarial.
Instala la biblioteca desde PyPI
pip install adaptive-classifierImporta el clasificador e inicialízalo con un modelo de HuggingFace
Añade ejemplos de entrenamiento con sus etiquetas
Llama a predict con texto nuevo para obtener las confianzas de cada clase
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Biblioteca de NLP de alto rendimiento para Python y Cython, con tokenización, pipelines preentrenados y modelos entrenados para etiquetado, análisis sintáctico y reconocimiento de entidades.
Ejecuta modelos Transformers de Hugging Face directamente en el navegador o en entornos de JavaScript, sin servidor y mediante ONNX Runtime.
Kit de herramientas de Hugging Face para exportar y ejecutar modelos de Transformers, Diffusers, TIMM y Sentence-Transformers en hardware específico, con inferencia y entrenamiento optimizados.
Componentes y arquitecturas de spaCy que integran modelos transformer de Hugging Face, como BERT, RoBERTa y XLNet, en pipelines de spaCy.
Base de código modular para PyTorch/Hugging Face, orientada a crear, entrenar y evaluar modelos multimodales pequeños de visión y lenguaje.
Kit de herramientas de Python para dividir texto en oraciones u otras unidades semánticas, con modelos SaT y WtP preentrenados para 85 idiomas.