ClassificationResult

clase abstracta pública ClassificationResult

Representa los resultados de clasificación de un modelo. Por lo general, se usa como resultado para tareas de clasificación.

Constructores públicos

Métodos públicos

resumen List<Classifications>
classifications()
Los resultados de clasificación para cada cabeza del modelo.
ClassificationResult estático
create(List<Classifications> clasificaciones, opcional<Long> timestampMs)
Crea una instancia de ClassificationResult.
ClassificationResult estático
createFromProto(proto ClassificationsProto.ClassificationResult)
Crea un objeto ClassificationResult a partir de un mensaje protobuf de ERROR(/ClassificationsProto.ClassificationResult).
resumen Opcional<Long>
timestampMs()
Es la marca de tiempo opcional (en milisegundos) del inicio del fragmento de datos correspondiente a estos resultados.

Métodos heredados

Constructores públicos

public ClassificationResult ()

Métodos públicos

resumen público List<Classifications> classifications ()

Los resultados de clasificación para cada cabeza del modelo.

público estático ClassificationResult create (List<Classifications> clasificaciones, opcional<Long> timestampMs)

Crea una instancia de ClassificationResult.

Parámetros
clasificaciones Es la lista de objetos Classifications que contienen las categorías previstas para cada cabeza del modelo.
timestampMs la marca de tiempo opcional (en milisegundos) del inicio del fragmento de datos correspondiente a estos resultados

público estático ClassificationResult createFromProto (ClassificationsProto.ClassificationResult proto)

Crea un objeto ClassificationResult a partir de un mensaje protobuf de ERROR(/ClassificationsProto.ClassificationResult).

Parámetros
proto el mensaje protobuf ERROR(/ClassificationsProto.ClassificationResult) para convertir.

resumen público opcional<Long> timestampMs ()

Es la marca de tiempo opcional (en milisegundos) del inicio del fragmento de datos correspondiente a estos resultados.

Solo se usa para la clasificación de series temporales (p.ej., clasificación de audio). En estos casos prácticos, la cantidad de datos a procesar puede exceder el tamaño máximo que el modelo puede procesar. Para resolver esto, los datos de entrada se dividen en varios fragmentos a partir de diferentes marcas de tiempo.