#seq2seq Repositories
Entdecke 25 aktive Open-Source-GitHub-Repositories, die mit #seq2seq getaggt sind und insgesamt 56,290 Sterne gesammelt haben (durchschnittlich 2,251 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist emilwallner/Screenshot-to-code mit 16,517 Sternen.
Insgesamt 25 Repositories
Ein neuronales Netzwerk, das ein Design-Mock-up in eine statische Website umwandelt.
Tutorials zur Implementierung einiger Sequence-to-Sequence (Seq2Seq) Modelle mit PyTorch und TorchText.
Kashgari ist ein produktionsreifes NLP-Transfer-Learning-Framework auf Basis von tf.keras für Text-Beschriftung und Text-Klassifikation, das Word2Vec, BERT und GPT2 Language Embedding enthält.
Große Konzeptmodelle: Sprachmodellierung in einem Satzrepräsentationsraum
Großartige Chatbot-Projekte, Korpora, Aufsätze, Tutorials.Chinesischer Chatbot =>:
DELTA ist eine auf Deep Learning basierende Plattform zur Verarbeitung natürlicher Sprache und Sprache. LF AI & DATA Projects: https://lfaidata.foundation/projects/delta/
Transformers4Rec ist eine flexible und effiziente Bibliothek für sequentielle und sessionsbasierte Empfehlungen, die mit PyTorch funktioniert.
:art: Erweiterte Version der mathematischen Formelerkennung: Handschriftliche und gedruckte Formeln auf Chinesisch und Englisch, unterstützt grundlegende Symbolableitung (Datenstruktur basierend auf LaTeX Abstract Syntax Tree) Math Formula OCR Pro, unterstützt Handschrift, chinesisch-englische gemischte Formeln und einfache Symbolenfolgerung (basierend auf LaTeX AST).
Sequence-to-Sequence-Framework mit Schwerpunkt auf Neural Machine Translation basierend auf PyTorch
Diese Reihe nimmt Sie mit auf eine Reise von den Grundlagen der NLP und Computer Vision bis hin zu den modernsten Vision-Language-Modellen.
💁 Schatzkiste voller Transformer-Modelle für Natural Language Processing enthält Arbeiten, Videos, Blogs, offizielle Repos und Colab-Notebooks. 🛫☑️
TextGen: Implementierung von Textgenerierungsmodellen, einschließlich LLaMA, BLOOM, GPT2, BART, T5, SongNet und so weiter. Textgenerierungsmodelle, die das Training und die Vorhersage von Modellen wie LLaMA, ChatGLM, BLOOM, GPT2, Seq2Seq, BART, T5, UDA usw. implementieren, sofort einsatzbereit.
Eine Zeile für Tausende von hochmodernen NLP-Modellen in Hunderten von Sprachen. Der schnellste und genaueste Weg, Textprobleme zu lösen.
Quellcode für das End-to-End-Dialogmodell aus dem MultiWOZ-Papier (Budzianowski et al. 2018, EMNLP)
Tiefgehender Rechercheagent, der Ihnen hilft, die besten GitHub-Repositorys zu finden 🕵️!
Multi-Label-Textklassifizierung, Multi-Label-Klassifizierung, Textklassifizierung, Multi-Label, Klassifikator, Textklassifizierung, BERT, Seq2Seq, Attention, Multi-Label-Klassifizierung
Minimales Seq2Seq-Modell mit Attention für neuronale maschinelle Übersetzung in PyTorch
Generierung von Bash-Befehlen aus natürlicher Sprache https://arxiv.org/abs/1802.08979
Häufig gestellte Fragen
Welches ist das beliebteste #seq2seq-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#seq2seq-Projekt auf GitHub ist emilwallner/Screenshot-to-code mit 16,517 Sternen. Ein neuronales Netzwerk, das ein Design-Mock-up in eine statische Website umwandelt.
Welche Programmiersprachen werden in #seq2seq-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #seq2seq-Projekten auf GitHub sind Python, Jupyter Notebook, HTML, NewLisp die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #seq2seq-Repositories berechnet?
Wir verfolgen 25 aktive Open-Source-Repositories, die mit #seq2seq getaggt sind (500+ Sterne), mit insgesamt 56,290 Sternen und durchschnittlich 2,251 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.