FastText.NetWrapper
1.3.1
這是 Facebook FastText 函式庫的跨平台 .NET Standard 包裝器。包裝器附帶了適用於所有三個平台的捆綁預編譯本機二進位：Windows、Linux 和 MacO。
只需將其添加到您的專案中並開始使用它！無需額外設定。該庫將根據目標平台解壓縮並調用適當的本機二進位。
當然不是！它剛剛完成:) fastText 沒有重大更新，並且此存儲庫中的大多數錯誤都已修復。所有功能都應該可以使用，如果有任何功能不能使用，只需向我提出問題，我會盡力回覆您。
庫 API 緊密遵循 fastText 命令列介面，因此您可以直接使用。
最簡單的用例是使用預設參數訓練監督模型。我們建立一個FastTextWrapper並呼叫Supervised() 。
var fastText = new FastTextWrapper();fastText.Supervised("cooking.train.txt", "cooking");注意參數：
我們指定一個輸入文件，每行一個有標籤的範例。這裡我們使用來自 Facebook 的 Stack Overflow 烹飪資料集：https://dl.fbaipublicfiles.com/fasttext/data/cooking.stackexchange.tar.gz。您可以在此儲存庫的UnitTests目錄中找到分成訓練集和驗證集的提取檔案。
您的模型將保存到cooking.bin中，如果同一目錄中，則將放置帶有預訓練向量的cooking.vec 。
這裡我們使用 2 個參數的Supervised()重載。這意味著訓練將使用預設參數完成。這是一個很好的起點，與以這種方式呼叫 fastText 相同：
./fasttext 監督-輸入烹飪.train.txt -輸出烹飪
呼叫LoadModel()並指定.bin模型檔的路徑：
var fastText = new FastTextWrapper();fastText.LoadModel("model.bin");若要將預訓練向量用於監督模型，請建立SupervisedArgs的實例並對其進行自訂：
重要原始文件中的任何地方都沒有說明這一點，但您必須使用文字格式（ .vec文件副檔名）的預訓練向量，而不是二進位格式。如果您嘗試使用二元向量，您將收到關於維度為 0 的向量的錯誤。
var fastText = new FastTextWrapper();var args = new SupervisedArgs{PretrainedVectors = "cooking.unsup.300.vec",dim = 300};fastText.Supervised("cooking.train.txt", "cooking"在這裡，我們獲得預設的訓練參數，提供預訓練向量檔案的路徑並相應地調整向量維度。
重要事項請務必檢查預訓練向量的維度！網路上的許多向量的維度都是300 ，但 fastText 監督模型訓練的預設維度是100 。
現在，您可以輕鬆地根據驗證集測試監督模型。您也可以為k和threshlod指定不同的值。
var result = fastText.Test("cooking.valid.txt");您將獲得一個TestResult實例，您可以在其中找到聚合或每個標籤的指標：
Console.WriteLine($"結果：ntPrecision：{result.GlobalMetrics.GetPrecision()}" +$"ntRecall：{result.GlobalMetrics.GetRecall()}" +$"ntF1：{result.GlobalMetrics.GetF1()}" ）；您甚至可以獲得精確召回曲線（聚合或每個標籤）！以下是使用跨平台 OxyPlot 函式庫匯出 SVG 繪圖的範例：
var result = fastText.Test("cooking.valid.txt");var curve = result.GetPrecisionRecallCurve();var series = new LineSeries {StrokeThickness = 1};series.Points.AddRange(curve.Select(x => newve.Select） ) DataPoint(x.recall, x. precision)).OrderBy(x => xX));varplotModel = new PlotModel{Series = {系列},Axes ={new LinearAxis {Position = AxisPosition.Bottom, Title = "Recall" },new LinearAxis {Position = AxisPosition.Left, Title = "Precision"}}};using (var stream = new FileStream(" precision-recall.svg", FileMode.Create, FileAccess.Write)){SvgExporter.Export(繪圖模型、流、600、600、假）；} 
您可以訓練新的監督模型並透過將SupervisedArgs替換為QuantizedSupervisedArgs來立即量化它：
var fastText = new FastTextWrapper();fastText.Supervised("cooking.train.txt", "烹飪", new QuantizedSupervisedArgs());您也可以載入現有模型並對其進行量化：
var fastText = new FastTextWrapper();fastText.LoadModel("model.bin");fastText.Quantize();使用Unsupervised()方法指定模型類型：Skipgram 或 Cbow：
var fastText = new FastTextWrapper();fastText.Unsupervised(UnsupervisedModel.SkipGram, "cooking.train.nolabels.txt", "烹飪");
您可以使用可選的UnsupervisedArgs參數來自訂訓練。
您可以使用 fastText 自動調諧來執行自動超參數搜尋。
請參閱 https://github.com/facebookresearch/fastText/blob/master/docs/autotune.md 以取得完整的參數參考。
使用AutotuneArgs控制調整：
var fastText = new FastTextWrapper();var autotuneArgs = new AutotuneArgs{Duration = 30, // 以秒為單位Metric = " precisionAtRecall:30", // 支援自訂指標Predictions = 2, // 支援@k PredictionsModelSize = " 10M", //設定此項以訓練量化模型並執行 // 額外的量化超參數搜尋。需要 QuantizedSupervisedArgs.ValidationFile = "cooking.valid.txt" // 必要：驗證檔案的路徑};fastText.Supervised("cooking.train.txt", "cooking", new QuantizedSupervisedArgs(), autotuneArgs);您可以從本機庫取得進度回呼。為此，請將處理程序新增至(Un)SupervisedArgs.TrainProgressCallback進行簡單訓練，或新增至AutotuneArgs.AutotuneProgressCallback進行超參數調整。
有關使用ShellProgressBar庫訓練回調的範例，請參閱ConsoleTest專案：
using (var pBar = new ProgressBar(100, "Training")){var ftArgs = new SupervisedArgs{// ... 其他 argsverbose = 0,TrainProgressCallback = (progress, loss, wst, lr, eta) =>{pBar. Tick((int)Math.Ceiling(進度* 100), $"損失：{loss}，字數/執行緒/秒：{wst}，LR：{lr}，預計到達時間：{eta}");}} ;fastText .Supervised("cooking.train.txt", outPath, ftArgs);} 
stderr輸出預設情況下，本機 FastText 函式庫會向stderr報告訓練進度。您可以透過設定(Un)SupervisedArgs.verbose = 0進行簡單訓練和設定AutotuneArgs.Verbose = 0進行超參數調整來關閉此輸出。
FastTextWrapper可以產生少量日誌，主要涉及本機庫管理。您可以透過提供Microsoft.Extensions.Logging.ILoggerFactory的實例來開啟日誌記錄。在此範例中，我們將 Serilog 與控制台接收器一起使用。
您也可以透過 .NET Core DI 注入標準IloggerFactory 。
// 將以下Nuget 套件加入您的專案:// * Serilog.Sinks.Console // * Serilog.Extensions.LoggingLog.Logger = new LoggerConfiguration().MinimumLevel.Debug().WriteTo.Console(theme: ConsoleTheme .None ).CreateLogger();var fastText = new FastTextWrapper(loggerFactory: new SerilogLoggerFactory());
在1.1版本中，我加入了更好的本機錯誤處理。現在，如果出現大多數本機錯誤，您將獲得一個很好的NativeLibraryException ，您可以檢查它以獲得詳細的錯誤描述。
由於此包裝器在底層使用本機 C++ 二進位文件，因此在 Windows 下執行時需要安裝 Visual C++ 執行時間版本 140。造訪 MS 下載頁面 (https://support.microsoft.com/en-us/help/2977003/the-latest-supported-visual-c-downloads) 並選擇適當的可再發行元件。
如果您有興趣使用帶有 C 風格 API 的 FastText，這裡是我的官方庫分支：https://github.com/olegtarasov/fastText。
1.3.1使用 Facebook 儲存庫的最新改進更新了 fastText 二進位檔案。
1.3.0本機庫現在明確包含在目標專案中並複製到輸出目錄。希望這可以解決以前從資源中動態提取庫的方法的一些問題。
1.2.5修復了無監督模型訓練的進度回調。
1.2.4新增了模型訓練和自動調整的進度回調。
1.2.3增加了使用Quantize方法進行監督模型量化。
穩定版發布！
1.2.2-preview將 #20 與新的GetWordVector方法合併。
1.2.1-preview新增了具有量化支援的模型自動調整。
修復了bool編組的一個可怕錯誤。
1.2.0-preview版本 1.2.0 對庫 API 進行了一些重大更改。如果您尚未準備好遷移，請使用 v. 1.1.2 。
重大變更：刪除了兩個已棄用的Train()方法。
重大更改：刪除了已棄用的SupervisedArgs類別。
重大變更：刪除了FastTextArgs.SupervisedDefaults()轉而使用具有預設建構函式的新SupervisedArgs 。
重大變更：無法直接構造FastTextArgs類，請使用新的SupervisedArgs和UnsupervisedArgs類別。
新增了Unsupervised()方法來訓練 Skipgram 或 Cbow 模型。
1.1.2修復了1.1.*分支上bool的可怕錯誤。
1.1.0新增了新的Supervised()方法作為簡化 API 的一部分。
新增了新的Test()方法來測試監督模型。
已棄用這兩種Train()方法。它們將在 v. 1.2.0中被刪除。
1.0.38修復了1.0.*分支上bool的可怕錯誤。
1.2.0版本遷移指南使用Supervised()和Unsupervised()方法來取代舊的Train()方法。
使用帶有 2 個參數的SupervisedArgs或Supervised()重載取代FastTextArgs.SupervisedDefaults() 。
