Гибкие классификаторы — это эффективный и гибкий метод создания пользовательских классификаторов политики контента путем настройки моделей, таких как Gemma, в соответствии с вашими потребностями. Они также позволяют вам полностью контролировать, где и как они развернуты.
Учебные пособия по гибкому классификатору Gemma
 Запустить кодлаб |  Запустите Google Колаб |
В кодовой лаборатории и учебном пособии LoRA используется для точной настройки модели Gemma в качестве классификатора политики контента с использованием библиотеки KerasNLP . Используя всего 200 примеров из набора данных ETHOS , этот классификатор достигает показателя F1 0,80 и показателя ROC-AUC 0,78, что выгодно отличается от современных результатов таблицы лидеров . При обучении на 800 примерах, как и другие классификаторы в таблице лидеров, гибкий классификатор на основе Gemma достигает показателя F1 83,74 и показателя ROC-AUC 88,17. Вы можете адаптировать учебные инструкции для дальнейшего совершенствования этого классификатора или для создания собственных защитных мер безопасности классификатора.