ClassificationResult

Classe abstraite publique ClassificationResult

Représente les résultats de la classification d'un modèle. Généralement utilisé pour les tâches de classification.

Constructeurs publics

Méthodes publiques

abstrait Liste<Classifications>
classifications()
Résultats de la classification pour chaque tête du modèle.
statique ClassificationResult
create(Liste<Classifications>, classifications, facultatif<Long>timestampMs)
crée une instance ClassificationResult ;
statique ClassificationResult
createFromProto(proto ClassificationsProto.ClassificationResult)
Crée un objet ClassificationResult à partir d'un message de tampon de protocole ERROR(/ClassificationsProto.ClassificationResult).
abstrait Facultatif<Long>
timestampMs()
Code temporel facultatif (en millisecondes) du début du fragment de données correspondant à ces résultats.

Méthodes héritées

Constructeurs publics

public ClassificationResult ()

Méthodes publiques

public abstrait Liste<Classifications> classifications ()

Résultats de la classification pour chaque tête du modèle.

public statique ClassificationResult create (List<Classifications> classifications, facultatif<Long>timestampMs)

crée une instance ClassificationResult ;

Paramètres
classifications la liste des objets Classifications contenant les catégories prédites pour chaque tête du modèle ;
timestampMs L'horodatage facultatif (en millisecondes) du début du fragment de données correspondant à ces résultats.

public statique ClassificationResult createFromProto (ClassificationsProto.ClassificationResult proto)

Crée un objet ClassificationResult à partir d'un message de tampon de protocole ERROR(/ClassificationsProto.ClassificationResult).

Paramètres
proto le message protobuf ERROR(/ClassificationsProto.ClassificationResult) à convertir.

public abstrait Facultatif<Long> timestampMs ()

Code temporel facultatif (en millisecondes) du début du fragment de données correspondant à ces résultats.

Cette option n'est utilisée que pour la classification sur des séries temporelles (par exemple, pour la classification audio). Dans ces cas d'utilisation, la quantité de données à traiter peut dépasser la taille maximale que le modèle peut traiter. Pour résoudre ce problème, les données d'entrée sont divisées en plusieurs fragments à partir de différents horodatages.