multi-class-text-classification-cnn-rnn
Classifiez les descriptions de crimes de San Francisco en 39 catégories à l'aide d'un modèle hybride TextCNN et GRU.
Classifiez des jeux de données textuels avec une architecture CNN et GRU sous TensorFlow 2.x Keras.
Cet outil open source implémente un modèle hybride TextCNN et GRU avec TensorFlow pour classifier du texte en plusieurs catégories. Il s'adresse aux data scientists et ingénieurs en apprentissage automatique cherchant à expérimenter des architectures de deep learning pour le texte.
Qu'est-ce que c'est
Il entraîne un réseau de neurones combinant des couches convolutionnelles et des unités récurrentes à portes sur des plongements de mots pour associer des descriptions textuelles à des étiquettes catégorielles. Le pipeline gère nativement le prétraitement des données, l'entraînement du modèle, l'exportation des artefacts et la prédiction par lots.
Pour qui
Il convient aux praticiens du machine learning travaillant sur des tâches de classification de texte multiclasse qui souhaitent une implémentation de référence utilisant TensorFlow Keras. Il ne convient pas aux utilisateurs non techniques ni à ceux qui recherchent une application web sans code.
Fonctionnalités clés
TextCNN et GRU hybrides
Combine des couches de réseaux de neurones convolutionnels et récurrents pour la classification de phrases.
Entraînement configurable
Accepte des fichiers de configuration JSON externes pour gérer les hyperparamètres et les longueurs de séquence.
Exportation d'artefacts
Exporte automatiquement les modèles enregistrés, les indices de vocabulaire, les étiquettes de classe et les paramètres entraînés.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Combine des architectures CNN et GRU pour la classification de séquences
- Comprend des exemples de données et des configurations d'entraînement intégrés
- Exporte des artefacts de modèle structurés et des correspondances de vocabulaire
- Fournit des scripts dédiés à la fois pour l'entraînement et l'inférence
Ses limites
- Nécessite la configuration manuelle d'un environnement virtuel Python et l'installation des dépendances
- Interface en ligne de commande uniquement, sans interface graphique
- L'exécution de l'entraînement en deep learning nécessite un environnement de calcul adapté
Tarifs & licence
Gratuit sous licence Apache-2.0. Aucune option hébergée payante n'est mentionnée dans le dépôt, le seul coût est donc de l'exécuter vous-même sur votre propre matériel.
Missions pour francophones
876 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Utilisez-le, ou laissez-nous l'installer
FAQ
Quel framework le modèle utilise-t-il ?
Le modèle est construit à l'aide de TensorFlow 2.x Keras.
Où les artefacts du modèle entraîné sont-ils enregistrés ?
Les artefacts sont écrits dans le répertoire trained_results, incluant le modèle enregistré et les correspondances de vocabulaire.
