Machine learning 空间变压器回归输出

我希望有一个回归输出，而不是分类。例如：我想要一个从0到1的浮点输出值，而不是n个类

下面是来自package github页面的简约示例：

导入空间
从spacy.util导入小批量
随机输入
进口火炬
_正在使用_gpu=spacy.preference_gpu（）
如果_正在使用_gpu：
torch.set\u default\u tensor\u type（“torch.cuda.FloatTensor”）
nlp=空间负荷（“en_trf_bertbaseuncased_lg”）
打印（nlp.pipe_名称）#[“判刑者”、“trf_拼字器”、“trf_tok2vec”]
textcat=nlp.create_管道（“trf_textcat”，config={“exclusive_类”：True}）
对于“正面”、“负面”中的标签：
textcat.add_标签（标签）
nlp.添加_管道（textcat）
optimizer=nlp.resume_training（）
对于范围（10）内的i：
随机。随机（训练数据）
损失={}
对于小批量（系列数据，尺寸=8）中的批次：
文本，CAT=zip（*批次）
nlp.update（文本，猫，sgd=优化器，损失=损失）
打印（一、损失）
nlp.to_盘（“/bert textcat”）

---

有没有一种简单的方法可以让trf_textcat作为回归器工作？或者这意味着扩大图书馆

我找到了一个解决方法：从nlp管道中提取向量表示，如下所示：

vector_repres = nlp('Test text').vector

对所有文本条目执行此操作后，最终得到文本的固定维度表示。假设您有连续的输出值，可以随意使用任何估计器，包括具有线性输出的神经网络

---

请注意，向量表示是文本中所有单词的向量嵌入的平均值-对于您的情况，这可能是次优解决方案。

我找到了一个解决方法：从nlp管道中提取向量表示，如下所示：

vector_repres = nlp('Test text').vector

对所有文本条目执行此操作后，最终得到文本的固定维度表示。假设您有连续的输出值，可以随意使用任何估计器，包括具有线性输出的神经网络

---

请注意，向量表示是文本中所有单词的向量嵌入的平均值-对于您的情况，它可能是次优解决方案。

作为回归者工作您的意思是具有正概率还是负概率而不是类？或者别的什么？@Claudio我指的是一个连续的输出值，而不是分类。作为回归者工作，你的意思是有正的或负的概率而不是类？还是别的什么？@Claudio我指的是连续的输出值，而不是分类。