#bert Dépôts
Découvrez 109 dépôts GitHub open source actifs associés à #bert, cumulant 287,319 étoiles au total (soit une moyenne de 2,635 étoiles par projet). Le projet en tête de ce thème est datawhalechina/leedl-tutorial, avec 16,879 étoiles.
109 dépôts au total
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Tutoriel sur le Traitement du Langage Naturel pour les Chercheurs en Apprentissage Profond
Bibliothèque LLM et SLM facile à utiliser et puissante avec un incroyable zoo de modèles.
🏄 Incrustation évolutive, raisonnement, classement pour les images et les phrases avec CLIP
Ce dépôt contient des démos que j'ai réalisées avec la bibliothèque Transformers de HuggingFace.
💥 Tokenizers de pointe rapides optimisés pour la recherche et la production
Pré-entraînement avec Masquage de Mot Entier pour BERT Chinois (Série de modèles Chinese BERT-wwm)
Utilisation de BERT et c-TF-IDF pour créer des sujets facilement interprétables.
Modèles NLP Chinois Pré-entraînés Impressionnants, Collection de Modèles Pré-entraînés Chinois de Haute Qualité & Grands Modèles & Modèles Multimodaux & Grands Modèles de Langage
Développé par Turing's Cat, la première génération d'IA créative, basé sur GPT2.0 open-source | Évolutif, adaptable
Tutoriels pour débuter avec PyTorch et TorchText pour l'analyse de sentiments.
Benchmark d'évaluation de la compréhension de la langue chinoise : jeux de données, lignes de base, modèles pré-entraînés, corpus et classement
Ce dépôt contient principalement des notes de lecture d’articles de conférences de premier plan liés à l’ingénierie des algorithmes de TAL.
Solutions NLP chinoises (grands modèles, données, modèles, entraînement, inférence)
🧠💬 Articles que j'ai écrits sur l'apprentissage automatique, archivés depuis MachineCurve.com.
Introduction rapide à la théorie et à la pratique appliquée de l'IA : bases, Transformer, NLP, ML, DL, compétitions. Comprend de nombreux commentaires et ensembles de données, dans le but de permettre à chacun de comprendre et de reproduire.
Cours d'initiation à l'apprentissage profond, cours avancés, cours spéciaux, cas académiques, cas de pratique industrielle, encyclopédie des connaissances en apprentissage profond et banque de questions d'entretien Le cours, le cas et les connaissances de Deep Learning et IA
Top2Vec apprend conjointement des vecteurs de sujets, de documents et de mots intégrés.
Framework de Modèles de Pré-entraînement Open Source en PyTorch & Zoo de Modèles Pré-entraînés
Pipelines NLP natifs Rust prêts à l'emploi et modèles basés sur des transformers (BERT, DistilBERT, GPT2, ...)
Modèles de base Chinese-LLaMA 1&2, Chinese-Falcon ; Modèle de dialogue chinois ChatFlow ; Modèle Chinese-OpenLLaMA ; Jeux de données de pré-entraînement/ajustement fin des instructions NLP
nous voulons créer un dépôt pour illustrer l'utilisation des transformeurs en chinois
Une bibliothèque unifiée pour l'apprentissage par transfert efficace en termes de paramètres et modulaire
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
Boîte à outils pour l'apprentissage automatique, le traitement du langage naturel et la génération de texte, sous TensorFlow. Ceci fait partie du projet CASL : http://casl-project.ai/
Kashgari est un framework d'apprentissage par transfert NLP de niveau production construit sur tf.keras pour l'étiquetage de texte et la classification de texte, inclut Word2Vec, BERT et GPT2 Language Embedding.
Un benchmark hétérogène pour la recherche d'informations. Facile à utiliser, évaluez vos modèles sur plus de 15 jeux de données IR diversifiés.
Réseaux de Neurones Profonds Multi-Tâches pour la Compréhension du Langage Naturel
Collection d'encodeurs-décodeurs d'ALIbaba du laboratoire MinD (Machine Intelligence of Damo)
[CVPR 2021] Implémentation PyTorch officielle pour Transformer Interpretability Beyond Attention Visualization, une nouvelle méthode pour visualiser les classifications par les réseaux basés sur Transformer.
Bibliothèque autonome d'apprentissage automatique et de traitement du langage naturel en Go
Classification de texte long en chinois, classification de phrases courtes, classification multi-étiquettes, similarité de deux phrases (Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short), couche d'intégration vectorielle pour caractères/mots/phrases (embeddings) et couche de réseau (graph) classe de base de construction, FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, Réseau de Capsules-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN
Moderniser BERT par des changements architecturaux et une mise à l'échelle
Veille, recherche et application des technologies de pointe telles que le traitement automatique du langage naturel, les graphes de connaissances, les grands modèles de langage et les agents.
PaddleSlim est une bibliothèque open-source pour la compression de modèles profonds et la recherche d'architecture.
un environnement d'exécution rapide et convivial pour l'inférence de transformeurs (Bert, Albert, GPT2, Décoders, etc.) sur CPU et GPU.
Ce projet a conçu et mis en œuvre un système de questions-réponses médicales intelligent basé sur le RAG (Retrieval-Augmented Generation) par graphe de connaissances et les grands modèles de langage. En utilisant le jeu de données médical DiseaseKG et Neo4j, le système construit un graphe de connaissances spécialisé comprenant 44 000 entités et 310 000 relations. En combinant la reconnaissance d'entités nommées BERT et la reconnaissance d'intention par un modèle 32B, le système atténue efficacement les hallucinations des grands modèles dans les scénarios médicaux grâce à une recherche précise dans le graphe et une génération de réponses contrôlée, améliorant ainsi considérablement la précision et la fiabilité des réponses.
🛸 Utilisez des transformers pré-entraînés comme BERT, XLNet et GPT-2 dans spaCy
Foire aux questions
Quel est le dépôt #bert le plus populaire sur GitHub ?
Le projet #bert open source le mieux classé sur GitHub est datawhalechina/leedl-tutorial, avec 16,879 étoiles. 《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Quels langages de programmation sont les plus utilisés dans les dépôts #bert ?
Parmi les projets #bert les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, Rust.
Comment le classement des dépôts #bert est-il calculé ?
Nous suivons 109 dépôts open source actifs associés à #bert (500+ étoiles), totalisant 287,319 étoiles, avec une moyenne de 2,635 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.