#seq2seq Repository
Scopri 25 repository GitHub open source attivi contrassegnati con #seq2seq, che raccolgono un totale di 56,290 stelle (con una media di 2,251 stelle per progetto). Il progetto leader di questo argomento è emilwallner/Screenshot-to-code, con 16,517 stelle.
25 repository in totale
Una rete neurale che trasforma un mock-up di design in un sito web statico.
Tutorial sull'implementazione di alcuni modelli sequence-to-sequence (seq2seq) con PyTorch e TorchText.
Gioca con il distico usando il modello seq2seq. Componi distici con l'apprendimento profondo.
Kashgari è un framework di apprendimento trasferito NLP a livello di produzione costruito su tf.keras per l'etichettatura del testo e la classificazione del testo, include Word2Vec, BERT e GPT2 Language Embedding.
Grandi Modelli Concettuali: Modellazione del linguaggio nello spazio di rappresentazione delle frasi
Fantastici progetti di chatbot, corpus, articoli, tutorial. Chatbot cinese =>:
DELTA è una piattaforma di elaborazione del linguaggio naturale e della voce basata sull'apprendimento profondo. LF AI & DATA Projects: https://lfaidata.foundation/projects/delta/
Transformers4Rec è una libreria flessibile ed efficiente per raccomandazioni sequenziali e basate su sessioni che funziona con PyTorch.
:art: Versione migliorata del riconoscimento di formule matematiche: Formule manoscritte e stampate in cinese e inglese, supporta derivazione base di simboli (struttura dati basata su albero sintattico astratto LaTeX) Math Formula OCR Pro, supporta scrittura a mano, formule miste cino-inglesi e ragionamento semplice sui simboli (basato su LaTeX AST).
Framework sequence-to-sequence con focus sulla Traduzione Automatica Neurale basato su PyTorch
Questa serie ti accompagnerà in un viaggio dai fondamenti di NLP e Computer Vision fino all'avanguardia dei modelli Vision-Language.
💁 Fantastico tesoro di modelli Transformer per l'elaborazione del linguaggio naturale contiene articoli, video, blog, repository ufficiali insieme a notebook Colab. 🛫☑️
TextGen: Implementazione di modelli di generazione di testo, includono LLaMA, BLOOM, GPT2, BART, T5, SongNet e così via. Modelli di generazione di testo, implementano l'addestramento e la previsione di modelli come LLaMA, ChatGLM, BLOOM, GPT2, Seq2Seq, BART, T5, UDA, ecc., pronti all'uso.
Una riga per migliaia di modelli NLP all'avanguardia in centinaia di lingue. Il modo più veloce e accurato per risolvere problemi di testo.
Codice sorgente per il modello di dialogo end-to-end dal paper MultiWOZ (Budzianowski et al. 2018, EMNLP)
Agente di ricerca approfondito per aiutarti a trovare i migliori repository GitHub 🕵️!
tfts: Modelli di Deep Learning per Serie Temporali in TensorFlow
Classificazione di testo multi-etichetta, classificazione multi-etichetta, classificazione di testo, multi-etichetta, classificatore, classificazione di testo, BERT, seq2seq, attention, classificazione multi-etichetta
Modello Seq2Seq minimale con attenzione per la traduzione automatica neurale in PyTorch
Generazione di comandi Bash dal linguaggio naturale https://arxiv.org/abs/1802.08979
Domande frequenti
Qual è il repository #seq2seq più popolare su GitHub?
Il progetto open source #seq2seq più alto in classifica su GitHub è emilwallner/Screenshot-to-code, con 16,517 stelle. Una rete neurale che trasforma un mock-up di design in un sito web statico.
Quali linguaggi di programmazione sono più utilizzati nei repository #seq2seq?
Tra i progetti #seq2seq più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, HTML, NewLisp.
Come viene calcolata la classifica dei repository #seq2seq?
Monitoriamo 25 repository open source attivi contrassegnati con #seq2seq (500+ stelle), per un totale di 56,290 stelle e una media di 2,251 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.