Biblioteca Python para classificação de texto que aprende novos exemplos e classes em tempo de execução, com confiança calibrada e detecção de dados fora da distribuição.
Adaptive Classifier é uma biblioteca Python baseada em PyTorch para classificação de texto, construída sobre encoders de transformers do HuggingFace. Cada classe é representada por embeddings de protótipos armazenados com FAISS, e uma pequena camada neural treinável é combinada com a similaridade dos protótipos para gerar previsões. Novos exemplos e classes podem ser adicionados em tempo de execução sem retreinar o modelo inteiro, e exemplos ou classes também podem ser removidos posteriormente.
A biblioteca também cobre os aspectos operacionais de um classificador: calibra scores de confiança com dados reservados para validação, retorna conjuntos de previsões com uma meta de cobertura, abstém-se diante de entradas com baixa confiança ou fora da distribuição, sugere textos sem rótulo para anotação e detecta mudanças nos dados recebidos. Os modelos podem ser salvos localmente ou enviados ao HuggingFace Hub, e a exportação para ONNX está incluída para acelerar a inferência em CPU.
A biblioteca oferece um classificador multi-rótulo, um estimador compatível com scikit-learn e um módulo para servir via HTTP. O projeto também inclui um modo experimental de classificação estratégica, que combina previsões com um modelo baseado em custos de manipulação adversarial.
Instale a biblioteca pelo PyPI
pip install adaptive-classifierImporte o classificador e inicialize-o com um modelo do HuggingFace
Adicione exemplos de treinamento com seus rótulos
Chame predict com um novo texto para obter as confianças de cada classe
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Biblioteca de NLP robusta para Python e Cython, com tokenização, pipelines pré-treinados e modelos treinados para etiquetagem, análise sintática e reconhecimento de entidades.
Execute modelos Transformers da Hugging Face diretamente no navegador ou em runtimes JavaScript, sem servidor, usando ONNX Runtime.
Toolkit da Hugging Face para exportar e executar modelos Transformers, Diffusers, TIMM e Sentence-Transformers em hardwares específicos, com inferência e treinamento otimizados.
Componentes e arquiteturas do spaCy que integram modelos transformer do Hugging Face, como BERT, RoBERTa e XLNet, a pipelines do spaCy.
Base de código modular em PyTorch/Hugging Face para criar, treinar e avaliar modelos multimodais de pequena escala, com visão e linguagem.
Toolkit Python para dividir textos em frases ou outras unidades semânticas, com modelos SaT e WtP pré-treinados que abrangem 85 idiomas.