Çevik sınıflandırıcılar, etkili ve esnek bir yöntemdir. kullanarak özel içerik politikası sınıflandırıcıları oluşturmak için Gemma, seçeceğiz. Ayrıca, nerede ve nasıl dağıtıldıkları üzerinde tam kontrol sahibi olmanızı sağlar.
Gemma Agile Sınıflandırıcı Eğitimleri
 Codelab'i Başlat
|
 Google Colab'ı başlatın
|
Codelab ve eğitim, KerasNLP kitaplığını kullanarak bir Gemma modelinde içerik politikası sınıflandırıcısı olarak ince ayar yapmak için LoRA'yı kullanır. Bu sınıflandırıcı, ETHOS veri kümesinden yalnızca 200 örnek kullanarak 0,80 F1 puanı ve 0,78 ROC-AUC puanı elde eder. Bu puanlar, en son puan tablosu sonuçlarıyla karşılaştırıldığında oldukça iyidir. 800 örnekle eğitildiğinde, Leaderboard'daki diğer sınıflandırıcılar, yani Gemma tabanlı çevik sınıflandırıcı, F1 puanı 83,74, ROC-AUC puanı ise 88,17'dir. Bu sınıflandırıcıyı daha da hassaslaştırmak veya kendi özel güvenlik sınıflandırıcısı önlemlerinizi oluşturmak için eğitim talimatlarını uyarlayabilirsiniz.