概述

使用开箱即用包

您可以根据“ 开箱即用包” 部分中提供的包创建自己的包。通过从此列表中选择包，系统会在技术上克隆所提供的包，并准备好使用您提供的数据集进行训练。

为此，请按照以下步骤操作：

创建数据集。有关如何构建数据集的更多信息，请参阅“管理数据集”。
转到“ ML 包”>“开箱即用包” ，然后选择所需的包。
填写所需信息：
- 包名称
- 选择包版本
- 描述
- 输入说明
- 输出说明
单击“提交”。

有关每个包所需信息的更多信息，请查看本指南中的各个页面。

Ready-to-Deploy

可以立即部署并添加到 RPA 工作流中的示例包，更多信息请参见产品

图像审核

这是基于深度学习架构（通常称为 Inception V3）的图像内容审核模型。基于给定图像，模型将输出“显式”、“显式绘图”、“中性”和“色情”四个类别中的一个，以及每个类别概率的标准化置信度分数。

它基于 Szegedy 等人的论文《Rethinking the Inception Architecture for Computer Vision》，并且 Google 已开放源代码。

情感分析

此模型可预测英语文本的情感。此模型由 Facebook 研究院开放源代码。可能的预测包括“非常消极”、“消极”、“中性”、“积极”和“非常积极”。我们已使用 Amazon 产品评论数据对此模型进行训练，因此，对于不同的数据分布，模型预测可能会产生一些意外结果。一个常见的用例是根据文本的情感路由非结构化语言内容（例如电子邮件）。

它基于 Joulin 等人的研究论文《Bag of Tricks for Efficient Text Classification》。

问答

此模型会根据某些段落上下文预测英语文本问题的答案。它由 ONNX 开放源代码。一个常见的用例是在 KYC 中或处理财务报表时，其中常见问题可以应用于一组标准的半结构化文档。它基于先进的 BERT（基于变换器的双向编码器表示）。此模型将流行的注意力模型“变换器”应用到语言建模中，以生成输入的编码，然后针对问题回答任务进行训练。

它基于研究论文《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》（BERT：预训练用于语言理解的深度双向变换器）。

语言识别

此模型可预测文本输入的语言。可能的预测为以下 176 种语言之一：

语言
af als am an arz asast av az azb ba bar bcl be bg bh bn bo bpy br bs bxr ca cbk ce ceb ckb co cs cv cy da de diq dsb dty dv el eml en eo es et eu fa fi fr frr fy ga gd gl gn gom gu gv he hi hif hr hsb ht hu hy ia id ie ilo io io is it ja jbo jv ka kk km kn ko krc ku kv kw ky la lb lez li lmo lo lrc lt lv mai mg mhr min mk ml mn mr mrj ms mt mwl my myv mzn nah nap nds ne new nl nn no oc 或 os pa pam pfl pl pms pnb ps pt qu rm ro ru rue sa sah sc scn sco sd sh si sk sl so sq sr su sv sw ta te tg th tk tl tr tt tyv ug uk ur uz vec vep vi vls vo wa war wuu xal xmf yi yo yue zh

语言

af als am an arz asast av az azb ba bar bcl be bg bh bn bo bpy br bs bxr ca cbk ce ceb ckb co cs cv cy da de diq dsb dty dv el eml en eo es et eu fa fi fr frr fy ga gd gl gn gom gu gv he hi hif hr hsb ht hu hy ia id ie ilo io io is it ja jbo jv ka kk km kn ko krc ku kv kw ky la lb lez li lmo lo lrc lt lv mai mg mhr min mk ml mn mr mrj ms mt mwl my myv mzn nah nap nds ne new nl nn no oc 或 os pa pam pfl pl pms pnb ps pt qu rm ro ru rue sa sah sc scn sco sd sh si sk sl so sq sr su sv sw ta te tg th tk tl tr tt tyv ug uk ur uz vec vep vi vls vo wa war wuu xal xmf yi yo yue zh

此模型由 Facebook 研究院开放源代码。此模型根据知识共享署名份额许可证 3.0，使用来自维基百科、Tatoeba 和 SETimes 的数据进行训练。一个常见的用例是根据文本的语言将非结构化语言内容（例如电子邮件）路由到相应的响应者。

它基于 Joulin 等人的研究论文《Bag of Tricks for Efficient Text Classification》。

英语到法语

这是一个序列到序列机器翻译模型，用于将英语翻译成法语。此模型由 Facebook AI 研究院 (FAIR) 开放源代码。

它基于 Gehring 等人的论文《Convolutional Sequence to Sequence Learning》（卷积序列到序列学习）。

英语到德语

这是一个序列到序列机器翻译模型，用于将英语翻译成德语。此模型由 Facebook AI 研究院 (FAIR) 开放源代码。

它基于 Ng 等人的论文《Facebook FAIR's WMT19 News Translation Submission》。

德语转英语

这是一个序列到序列机器翻译模型，用于将英语翻译成俄语。此模型由 Facebook AI 研究院 (FAIR) 开放源代码。

它基于 Ng 等人的论文《Facebook FAIR's WMT19 News Translation Submission》。

英语到俄语

这是一个序列到序列机器翻译模型，用于将英语翻译成俄语。此模型由 Facebook AI 研究院 (FAIR) 开放源代码。

它基于 Ng 等人的论文《Facebook FAIR's WMT19 News Translation Submission》。

俄语到英语

这是一个序列到序列机器翻译模型，用于将英语翻译成俄语。此模型由 Facebook AI 研究院 (FAIR) 开放源代码。

它基于 Ng 等人的论文《Facebook FAIR's WMT19 News Translation Submission》。

命名实体识别

此模型以文本形式返回已识别实体的列表。已识别的 18 种命名实体使用与 OntoNotes5 中相同的输出类，后者在学术界通常用于对此任务进行基准测试。此模型基于 Borchmann 等人在 2018 年发表的论文《Approaching nested named entity recognition with parallel LSTM-CRFs》（使用并行 LSTM-CRF 处理嵌套命名实体识别）。

18 个类如下：

实体	描述
Person	人物，包括虚构人物。
NORP	国籍、宗教或政治团体。
FAC	建筑物、机场、公路、桥梁等。
ORG	公司、代理商和机构等。
GPE	国家/地区、市、省/直辖市/自治区。
LOC	非 GPE 地点、山脉、水域。
产品	物体、车辆和食物等（非服务性）。
事件	命名的飓风、战役、战争和体育比赛等。
WORK_OF_ART	书籍和歌曲等的标题
LAW	成为法律的命名文档。
语言	任何已命名的语言。
日期	绝对或相对日期或期间。
时间	小于一天的时间。
PERCENT	百分比，包括“％”。
MONEY	货币值，包括单位。
数量	重量或距离的度量。
ORDINAL	“第一”和“第二”等
CARDINAL	不属于其他类型的数字。