หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>โค้ดแหล่งที่มา AI
ดาวน์โหลด

โลโก้

NLP-Models-Tensorflow รวบรวมการเรียนรู้ของเครื่องและโมเดลการเรียนรู้เชิงลึกของเทนเซอร์โฟลว์สำหรับปัญหา NLP ลดความซับซ้อนของโค้ดภายใน Jupyter Notebooks 100%

สารบัญ

  • การสรุปเชิงนามธรรม
  • แชทบอท
  • ตัวแยกวิเคราะห์การพึ่งพา
  • การแท็กเอนทิตี
  • การสรุปแบบแยกส่วน
  • เครื่องกำเนิดไฟฟ้า
  • การตรวจจับภาษา
  • การแปลเครื่องประสาท
  • โอซีอาร์
  • การติดแท็ก POS
  • คำถาม-คำตอบ
  • คู่ประโยค
  • คำพูดเป็นข้อความ
  • การแก้ไขการสะกด
  • คำถาม-คำตอบของทีม
  • การกั้น
  • การเพิ่มข้อความ
  • การจำแนกข้อความ
  • ความคล้ายคลึงกันของข้อความ
  • ข้อความเป็นคำพูด
  • เครื่องกำเนิดหัวข้อ
  • การสร้างแบบจำลองหัวข้อ
  • การสรุปแบบแยกส่วนแบบไม่มีผู้ดูแล
  • เวกเตอร์
  • โวโคเดอร์จากรุ่นสู่รุ่น
  • การแสดงภาพ
  • ความสนใจ

วัตถุประสงค์

การใช้งานแบบเดิมค่อนข้างซับซ้อนและไม่เป็นมิตรกับผู้เริ่มต้น ดังนั้นฉันจึงพยายามทำให้ส่วนใหญ่ง่ายขึ้น นอกจากนี้ยังมีการดำเนินการเอกสารที่ยังไม่ได้เผยแพร่อีกจำนวนมาก ดังนั้นอย่าลังเลที่จะใช้เพื่อการวิจัยของคุณเอง!

ฉันจะแนบที่เก็บ GitHub สำหรับโมเดลที่ฉันไม่ได้ใช้งานตั้งแต่ต้น โดยพื้นฐานแล้วฉันจะคัดลอก วาง และแก้ไขโค้ดเหล่านั้นสำหรับปัญหาที่เลิกใช้แล้ว

เวอร์ชันเทนเซอร์โฟลว์

Tensorflow เวอร์ชัน 1.13 ขึ้นไปเท่านั้น ไม่รวมเวอร์ชัน 2.X 1.13 < เทนเซอร์โฟลว์ < 2.0 

pip install -r requirements.txt

สารบัญ

การสรุปเชิงนามธรรม

อบรมเรื่องข่าวอินเดีย

ความแม่นยำขึ้นอยู่กับ 10 ยุคเท่านั้น คำนวณโดยใช้ตำแหน่งคำ

รายการทั้งหมด (12 เล่ม)
  1. LSTM Seq2Seq โดยใช้การสร้างแบบจำลองหัวข้อ ความแม่นยำในการทดสอบ 13.22%
  2. LSTM Seq2Seq + Luong ความสนใจโดยใช้การสร้างแบบจำลองหัวข้อ ความแม่นยำในการทดสอบ 12.39%
  3. LSTM Seq2Seq + Beam Decoder โดยใช้การสร้างแบบจำลองหัวข้อ ทดสอบความแม่นยำ 10.67%
  4. LSTM แบบสองทิศทาง + Luong Attention + Beam Decoder โดยใช้การสร้างแบบจำลองหัวข้อ ความแม่นยำในการทดสอบ 8.29%
  5. Pointer-Generator + Bahdanau, https://github.com/xueyouluo/my_seq2seq ทดสอบความแม่นยำ 15.51%
  6. Copynet ทดสอบความแม่นยำ 11.15%
  7. ตัวชี้-Generator + Luong, https://github.com/xueyouluo/my_seq2seq ทดสอบความแม่นยำ 16.51%
  8. ขยาย Seq2Seq ทดสอบความแม่นยำ 10.88%
  9. Dilated Seq2Seq + Self Attention, ทดสอบความแม่นยำ 11.54%
  10. BERT + Dilated CNN Seq2seq ทดสอบความแม่นยำ 13.5%
  11. การเอาใจใส่ตนเอง + ตัวชี้-เครื่องกำเนิดไฟฟ้า ความแม่นยำในการทดสอบ 4.34%
  12. Dilated-CNN Seq2seq + Pointer-Generator ทดสอบความแม่นยำ 5.57%

แชทบอท

ฝึกฝนเกี่ยวกับ Cornell Movie Dialog Corpus ตารางความแม่นยำใน Chatbot

รายการทั้งหมด (54 เล่ม)
  1. คู่มือเซลล์พื้นฐาน Seq2Seq
  2. คู่มือ LSTM Seq2Seq
  3. คู่มือ GRU Seq2Seq
  4. เซลล์พื้นฐาน Seq2Seq-API Greedy
  5. LSTM Seq2Seq-API โลภ
  6. GRU Seq2Seq-API โลภ
  7. เซลล์พื้นฐานแบบสองทิศทาง Seq2Seq-manual
  8. คู่มือ Seq2Seq แบบสองทิศทาง LSTM
  9. GRU แบบสองทิศทาง Seq2Seq-คู่มือ
  10. เซลล์พื้นฐานแบบสองทิศทาง Seq2Seq-API Greedy
  11. LSTM สองทิศทาง Seq2Seq-API โลภ
  12. GRU สองทิศทาง Seq2Seq-API Greedy
  13. เซลล์พื้นฐาน Seq2Seq-manual + Luong Attention
  14. คู่มือ LSTM Seq2Seq + Luong Attention
  15. คู่มือ GRU Seq2Seq + Luong Attention
  16. เซลล์พื้นฐาน Seq2Seq-manual + Bahdanau Attention
  17. คู่มือ LSTM Seq2Seq + ความสนใจ Bahdanau
  18. GRU Seq2Seq-manual + Bahdanau Attention
  19. LSTM แบบสองทิศทาง Seq2Seq-manual + Luong Attention
  20. GRU แบบสองทิศทาง Seq2Seq-manual + Luong Attention
  21. LSTM แบบสองทิศทาง Seq2Seq-manual + Bahdanau Attention
  22. GRU แบบสองทิศทาง Seq2Seq-manual + Bahdanau Attention
  23. LSTM สองทิศทาง Seq2Seq-manual + ย้อนกลับ Bahdanau + ส่งต่อ Luong
  24. GRU สองทิศทาง Seq2Seq-manual + ย้อนกลับ Bahdanau + ส่งต่อ Luong
  25. LSTM Seq2Seq-API Greedy + Luong Attention
  26. GRU Seq2Seq-API Greedy + Luong ความสนใจ
  27. LSTM Seq2Seq-API Greedy + Bahdanau ความสนใจ
  28. GRU Seq2Seq-API Greedy + Bahdanau ความสนใจ
  29. ตัวถอดรหัสลำแสง LSTM Seq2Seq-API
  30. ตัวถอดรหัสลำแสง GRU Seq2Seq-API
  31. LSTM สองทิศทาง Seq2Seq-API + Luong Attention + ตัวถอดรหัสลำแสง
  32. GRU สองทิศทาง Seq2Seq-API + Luong Attention + ตัวถอดรหัสลำแสง
  33. LSTM สองทิศทาง Seq2Seq-API + ย้อนกลับ Bahdanau + ส่งต่อ Luong + Stack Bahdanau Luong ความสนใจ + ตัวถอดรหัสลำแสง
  34. GRU สองทิศทาง Seq2Seq-API + ย้อนกลับ Bahdanau + ส่งต่อ Luong + Stack Bahdanau Luong Attention + ตัวถอดรหัสลำแสง
  35. ไบต์เน็ต
  36. LSTM Seq2Seq + tf.ตัวประมาณค่า
  37. เลเยอร์แคปซูล + LSTM Seq2Seq-API Greedy
  38. เลเยอร์แคปซูล + LSTM Seq2Seq-API + Luong Attention + ตัวถอดรหัสลำแสง
  39. LSTM สองทิศทาง Seq2Seq-API + ย้อนกลับ Bahdanau + ส่งต่อ Luong + Stack Bahdanau Luong ความสนใจ + ตัวถอดรหัสลำแสง + Dropout + L2
  40. DNC Seq2Seq
  41. LSTM แบบสองทิศทาง Seq2Seq-API + Luong Monotic Attention + ตัวถอดรหัสลำแสง
  42. LSTM สองทิศทาง Seq2Seq-API + Bahdanau Monotic Attention + ตัวถอดรหัสลำแสง
  43. เครือข่ายหน่วยความจำแบบครบวงจร + เซลล์พื้นฐาน
  44. เครือข่ายหน่วยความจำแบบครบวงจร + เซลล์ LSTM
  45. ความสนใจคือสิ่งที่คุณต้องการ
  46. หม้อแปลง-XL
  47. สิ่งที่คุณต้องการคือความสนใจ + Beam Search
  48. หม้อแปลง-XL + LSTM
  49. GPT-2 + LSTM
  50. ซีเอ็นเอ็น Seq2seq
  51. Conv-ตัวเข้ารหัส + LSTM
  52. Tacotron + ตัวถอดรหัสโลภ
  53. Tacotron + ตัวถอดรหัสลำแสง
  54. Google NMT

การพึ่งพา Parser

ผ่านการฝึกอบรมเรื่อง CONLL English Dependency ฝึกตั้งค่าเพื่อฝึก พัฒนา และชุดทดสอบที่จะทดสอบ

Stackpointer และ Biaffine-attention มีพื้นเพมาจาก https://github.com/XuezheMax/NeuroNLP2 เขียนด้วย Pytorch

ความแม่นยำขึ้นอยู่กับส่วนโค้ง ประเภท และความแม่นยำของรูทหลังจาก 15 ยุคเท่านั้น

รายการที่สมบูรณ์ (8 สมุดบันทึก)
  1. RNN แบบสองทิศทาง + CRF + Biaffine, ความแม่นยำของส่วนโค้ง 70.48%, ความแม่นยำของประเภท 65.18%, ความแม่นยำของรูต 66.4%
  2. RNN แบบสองทิศทาง + Bahdanau + CRF + Biaffine ความแม่นยำของส่วนโค้ง 70.82% ความแม่นยำของประเภท 65.33% ความแม่นยำของรูท 66.77%
  3. สองทิศทาง RNN + Luong + CRF + Biaffine, ความแม่นยำของส่วนโค้ง 71.22%, ความแม่นยำของประเภท 65.73%, ความแม่นยำของรูท 67.23%
  4. BERT Base + CRF + Biaffine, ความแม่นยำของส่วนโค้ง 64.30%, ความแม่นยำของประเภท 62.89%, ความแม่นยำของรูท 74.19%
  5. RNN แบบสองทิศทาง + Biaffine Attention + Cross Entropy, ความแม่นยำของส่วนโค้ง 72.42%, ความแม่นยำของประเภท 63.53%, ความแม่นยำของรูต 68.51%
  6. BERT Base + Biaffine Attention + Cross Entropy, ความแม่นยำของส่วนโค้ง 72.85%, ความแม่นยำของประเภท 67.11%, ความแม่นยำของรูต 73.93%
  7. RNN แบบสองทิศทาง + Stackpointer, ความแม่นยำของส่วนโค้ง 61.88%, ความแม่นยำของประเภท 48.20%, ความแม่นยำของรูต 89.39%
  8. XLNET Base + Biaffine Attention + Cross Entropy, ความแม่นยำของส่วนโค้ง 74.41%, ความแม่นยำของประเภท 71.37%, ความแม่นยำของรูต 73.17%

การแท็กเอนทิตี

ผ่านการอบรม CONLL NER

รายการที่สมบูรณ์ (9 สมุดบันทึก)
  1. RNN + CRF แบบสองทิศทาง ทดสอบความแม่นยำ 96%
  2. RNN แบบสองทิศทาง + Luong Attention + CRF ทดสอบความแม่นยำ 93%
  3. RNN แบบสองทิศทาง + Bahdanau Attention + CRF ทดสอบความแม่นยำ 95%
  4. Char Ngrams + RNN แบบสองทิศทาง + Bahdanau Attention + CRF ทดสอบความแม่นยำ 96%
  5. Char Ngrams + RNN แบบสองทิศทาง + Bahdanau Attention + CRF ทดสอบความแม่นยำ 96%
  6. Char Ngrams + Residual Network + Bahdanau Attention + CRF ทดสอบความแม่นยำ 69%
  7. Char Ngrams + ความสนใจคือคุณทุกคนต้องการ + CRF ทดสอบความแม่นยำ 90%
  8. BERT ทดสอบความแม่นยำ 99%
  9. XLNET-Base ทดสอบความแม่นยำ 99%

การสรุปแบบแยกส่วน

ฝึกอบรมเกี่ยวกับชุดข้อมูล CNN News

ความแม่นยำขึ้นอยู่กับ ROUGE-2

รายการที่สมบูรณ์ (4 สมุดบันทึก)
  1. LSTM RNN ทดสอบความแม่นยำ 16.13%
  2. Dilated-CNN ความแม่นยำในการทดสอบ 15.54%
  3. ความสนใจแบบหลายหัว ความแม่นยำในการทดสอบ 26.33%
  4. BERT-ฐาน

เครื่องกำเนิดไฟฟ้า

ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลของเช็คสเปียร์

รายการทั้งหมด (15 เล่ม)
  1. ตัวละครที่ชาญฉลาด RNN + LSTM
  2. การค้นหา RNN + Beam ที่ชาญฉลาดของตัวละคร
  3. ตัวละครที่ชาญฉลาด RNN + LSTM + การฝัง
  4. RNN + LSTM ที่ชาญฉลาด
  5. RNN + LSTM + การฝังที่ชาญฉลาด
  6. ตัวละครฉลาด + Seq2Seq + GRU
  7. Word-wise + Seq2Seq + GRU
  8. ตัวละครที่ชาญฉลาด RNN + LSTM + Bahdanau ความสนใจ
  9. ตัวละครที่ชาญฉลาด RNN + LSTM + Luong Attention
  10. คำที่ชาญฉลาด + Seq2Seq + GRU + Beam
  11. ตัวละครฉลาด + Seq2Seq + GRU + Bahdanau Attention
  12. Word-wise + Seq2Seq + GRU + Bahdanau ความสนใจ
  13. การค้นหา CNN + Beam แบบขยายที่ชาญฉลาดของตัวละคร
  14. ค้นหา Transformer + Beam
  15. Transformer XL + ค้นหาลำแสง

การตรวจจับภาษา

ฝึกอบรมเกี่ยวกับชุดข้อมูล Tatoeba

รายการที่สมบูรณ์ (1 สมุดบันทึก)
  1. ข้อความด่วน Char N-Grams

การแปลเครื่องประสาท

ผ่านการฝึกอบรมภาษาอังกฤษ-ฝรั่งเศส ตารางความแม่นยำในการแปลระบบประสาทด้วยเครื่อง

รายการทั้งหมด (53 เล่ม)

1.basic-seq2seq 2.lstm-seq2seq 3.gru-seq2seq 4.basic-seq2seq-contrib-greedy 5.lstm-seq2seq-contrib-greedy 6.gru-seq2seq-contrib-greedy 7.basic-birn-seq2seq 8.lstm-birnn-seq2seq 9.gru-birnn-seq2seq 10.basic-birnn-seq2seq-contrib-greedy 11.lstm-birnn-seq2seq-contrib-greedy 12.gru-birnn-seq2seq-contrib-โลภ 13.basic-seq2seq-luong 14.lstm-seq2seq-luong 15.gru-seq2seq-luong 16.basic-seq2seq-bahdanau 17.lstm-seq2seq-bahdanau 18.gru-seq2seq-bahdanau 19.basic-birn-seq2seq- บาห์ดาเนา 20.lstm-birnn-seq2seq-bahdanau 21.gru-birnn-seq2seq-bahdanau 22.basic-birnn-seq2seq-luong 23.lstm-birnn-seq2seq-luong 24.gru-birnn-seq2seq-luong 25.lstm-seq2seq-contrib-greedy-luong 26.gru-seq2seq-contrib-greedy-luong 27.lstm-seq2seq-contrib-greedy-bahdanau 28.gru-seq2seq-contrib-greedy-bahdanau 29.lstm-seq2seq-contrib-beam-luong 30.gru-seq2seq-contrib-beam-luong 31.lstm-seq2seq-contrib-beam-bahdanau 32.gru-seq2seq-contrib-beam-bahdanau 33.lstm-birnn-seq2seq-contrib-beam-bahdanau 34.lstm-birnn-seq2seq-contrib-beam-luong 35.gru-birnn-seq2seq-contrib-beam-bahdanau 36.gru-birnn-seq2seq-contrib-คาน -luong 37.lstm-birnn-seq2seq-contrib-beam-luongmonotonic 38.gru-birnn-seq2seq-contrib-beam-luongmonotic 39.lstm-birnn-seq2seq-contrib-beam-bahdanaumonotonic 40.gru-birnn-seq2seq-contrib-beam -bahdanaumonotic 41.residual-lstm-seq2seq-greedy-luong 42.residual-gru-seq2seq-greedy-luong 43.residual-lstm-seq2seq-greedy-bahdanau 44.residual-gru-seq2seq-greedy-bahdanau 45.หน่วยความจำเครือข่าย- lstm-ถอดรหัสโลภ 46.google-nmt 47.transformer-encoder-transformer-decoder 48.transformer-encoder-lstm-decoder-greedy 49.bertmulti language-encoder-bertmulti language-decoder 50.bertmulti language-encoder-lstm-decoder 51.bertmulti language-encoder-transformer -ถอดรหัส 52.bertenglish-encoder-หม้อแปลง-ถอดรหัส 53.transformer-t2t-2gpu

OCR (การรู้จำอักขระด้วยแสง)

รายการที่สมบูรณ์ (2 สมุดบันทึก)
  1. CNN + LSTM RNN ทดสอบความแม่นยำ 100%
  2. Im2Latex ทดสอบความแม่นยำ 100%

การติดแท็ก POS

ผ่านการฝึกอบรมเกี่ยวกับ CONLL POS

รายการที่สมบูรณ์ (8 สมุดบันทึก)
  1. RNN + CRF แบบสองทิศทาง ทดสอบความแม่นยำ 92%
  2. RNN แบบสองทิศทาง + Luong Attention + CRF ทดสอบความแม่นยำ 91%
  3. RNN แบบสองทิศทาง + Bahdanau Attention + CRF ทดสอบความแม่นยำ 91%
  4. Char Ngrams + RNN แบบสองทิศทาง + Bahdanau Attention + CRF ทดสอบความแม่นยำ 91%
  5. Char Ngrams + RNN แบบสองทิศทาง + Bahdanau Attention + CRF ทดสอบความแม่นยำ 91%
  6. Char Ngrams + Residual Network + Bahdanau Attention + CRF ทดสอบความแม่นยำ 3%
  7. Char Ngrams + ความสนใจคือคุณทุกคนต้องการ + CRF ทดสอบความแม่นยำ 89%
  8. BERT ทดสอบความแม่นยำ 99%

คำถาม-คำตอบ

ฝึกอบรมเกี่ยวกับชุดข้อมูล bAbI

รายการที่สมบูรณ์ (4 สมุดบันทึก)
  1. เครือข่ายหน่วยความจำแบบครบวงจร + เซลล์พื้นฐาน
  2. เครือข่ายหน่วยความจำแบบครบวงจร + เซลล์ GRU
  3. เครือข่ายหน่วยความจำแบบครบวงจร + เซลล์ LSTM
  4. หน่วยความจำแบบไดนามิก

คู่ประโยค

ผ่านการอบรมเรื่อง Cornell Movie--Dialogs Corpus

รายการที่สมบูรณ์ (1 สมุดบันทึก)
  1. เบิร์ต

พูดเป็นข้อความ

ฝึกอบรมเกี่ยวกับชุดข้อมูลคำพูดของโตรอนโต

รายการทั้งหมด (11 เล่ม)
  1. Tacotron, https://github.com/Kyubyong/tacotron_asr ทดสอบความแม่นยำ 77.09%
  2. BiRNN LSTM ทดสอบความแม่นยำ 84.66%
  3. BiRNN Seq2Seq + Luong Attention + Cross Entropy ทดสอบความแม่นยำ 87.86%
  4. BiRNN Seq2Seq + Bahdanau Attention + Cross Entropy ความแม่นยำในการทดสอบ 89.28%
  5. BiRNN Seq2Seq + Bahdanau Attention + CTC ทดสอบความแม่นยำ 86.35%
  6. BiRNN Seq2Seq + Luong Attention + CTC ทดสอบความแม่นยำ 80.30%
  7. CNN RNN + Bahdanau ความสนใจ ความแม่นยำในการทดสอบ 80.23%
  8. CNN RNN แบบขยาย ความแม่นยำในการทดสอบ 31.60%
  9. Wavenet ทดสอบความแม่นยำ 75.11%
  10. Deep Speech 2 ทดสอบความแม่นยำ 81.40%
  11. Wav2Vec Transfer การเรียนรู้ BiRNN LSTM ทดสอบความแม่นยำ 83.24%

การแก้ไขการสะกด

รายการที่สมบูรณ์ (4 สมุดบันทึก)
  1. BERT-ฐาน
  2. XLNET-ฐาน
  3. BERT-ฐานรวดเร็ว
  4. BERT-ฐานแม่นยำ

คำถาม-คำตอบของทีม

ฝึกอบรมเกี่ยวกับชุดข้อมูล SQUAD

รายการที่สมบูรณ์ (1 สมุดบันทึก)
  1. เบิร์ต, 
{ "exact_match" : 77.57805108798486 , "f1" : 86.18327335287402 }

การกั้น

อบรมเรื่อง Lemmatization ภาษาอังกฤษ

รายการทั้งหมด (6 เล่ม)
  1. LSTM + Seq2Seq + บีม
  2. GRU + Seq2Seq + บีม
  3. LSTM + BiRNN + Seq2Seq + บีม
  4. GRU + BiRNN + Seq2Seq + บีม
  5. DNC + Seq2Seq + โลภ
  6. BiRNN + Bahdanau + Copynet

การเพิ่มข้อความ

รายการที่สมบูรณ์ (8 สมุดบันทึก)
  1. ถุงมือที่ผ่านการฝึกอบรมมาแล้ว
  2. ความน่าจะเป็นของ GRU VAE-seq2seq-beam TF
  3. ความน่าจะเป็นของ LSTM VAE-seq2seq-beam TF
  4. GRU VAE-seq2seq-beam + Bahdanau ความน่าจะเป็น TF ความสนใจ
  5. VAE + ความสนใจ Bahdanau ที่กำหนด https://github.com/HareeshBahuleyan/tf-var-attention
  6. VAE + VAE Bahdanau โปรดทราบ https://github.com/HareeshBahuleyan/tf-var-attention
  7. การสุ่มตัวอย่างฐาน BERT + นิวเคลียส
  8. XLNET-Base + การสุ่มตัวอย่างนิวเคลียส

การจำแนกข้อความ

ฝึกอบรมชุดข้อมูลความรู้สึกภาษาอังกฤษ ตารางความแม่นยำในการจำแนกข้อความ

รายการทั้งหมด (79 เล่ม)
  1. เซลล์พื้นฐาน RNN
  2. เซลล์พื้นฐาน RNN + บานพับ
  3. เซลล์พื้นฐาน RNN + Huber
  4. เซลล์พื้นฐาน RNN แบบสองทิศทาง
  5. เซลล์พื้นฐานแบบสองทิศทาง RNN + บานพับ
  6. เซลล์พื้นฐานแบบสองทิศทาง RNN + Huber
  7. เซลล์ LSTM RNN
  8. เซลล์ LSTM RNN + บานพับ
  9. เซลล์ LSTM RNN + ฮูเบอร์
  10. เซลล์ LSTM RNN แบบสองทิศทาง
  11. เซลล์ LSTM แบบสองทิศทาง RNN + Huber
  12. เซลล์ LSTM RNN + การออกกลางคัน + L2
  13. เซลล์ GRU RNN
  14. เซลล์ GRU RNN + บานพับ
  15. เซลล์ GRU RNN + Huber
  16. เซลล์ GRU แบบสองทิศทาง RNN
  17. เซลล์ GRU แบบสองทิศทาง RNN + บานพับ
  18. เซลล์ GRU แบบสองทิศทาง RNN + Huber
  19. LSTM RNN + Conv2D
  20. K-สูงสุด Conv1d
  21. LSTM RNN + Conv1D + ทางหลวง
  22. LSTM RNN + ความสนใจขั้นพื้นฐาน
  23. LSTM ขยาย RNN
  24. เซลล์ LSTM ของเลเยอร์บรรทัดฐาน RNN
  25. เฉพาะเครือข่ายประสาทเทียมเท่านั้น
  26. โครงข่ายประสาทเทียมแบบ Multihead-Attention
  27. เครื่องทัวริงประสาท
  28. LSTM Seq2Seq
  29. LSTM Seq2Seq + ความสนใจของ Luong
  30. LSTM Seq2Seq + Bahdanau ความสนใจ
  31. LSTM Seq2Seq + ตัวถอดรหัสลำแสง
  32. LSTM แบบสองทิศทาง Seq2Seq
  33. พอยน์เตอร์เน็ต
  34. เซลล์ LSTM RNN + Bahdanau
  35. เซลล์ LSTM RNN + Luong ความสนใจ
  36. เซลล์ LSTM RNN + Stack Bahdanau Luong
  37. เซลล์ LSTM RNN แบบสองทิศทาง + ย้อนกลับ Bahdanau + ส่งต่อ Luong
  38. ไบต์เน็ต
  39. LSTM เร็ว-ช้า
  40. เครือข่ายสยาม
  41. LSTM Seq2Seq + tf.ตัวประมาณค่า
  42. ชั้นแคปซูล + RNN LSTM
  43. ชั้นแคปซูล + LSTM Seq2Seq
  44. ชั้นแคปซูล + LSTM แบบสองทิศทาง Seq2Seq
  45. LSTM ที่ซ้อนกัน
  46. LSTM Seq2Seq + ทางหลวง
  47. การสูญเสียแฝด + LSTM
  48. DNC (คอมพิวเตอร์ประสาทที่แตกต่าง)
  49. ConvLSTM
  50. Convd Net ชั่วคราว
  51. การสูญเสีย Triplet ทั้งหมดเป็นกลุ่ม + LSTM
  52. ข้อความด่วน
  53. เครือข่าย Convolution รั้วรอบขอบชิด
  54. หน่วยเกิดซ้ำอย่างง่าย
  55. เครือข่ายความสนใจแบบลำดับชั้น LSTM
  56. หม้อแปลงไฟฟ้าแบบสองทิศทาง
  57. เครือข่ายหน่วยความจำแบบไดนามิก
  58. เครือข่ายเอนทิตี
  59. เครือข่ายหน่วยความจำแบบครบวงจร
  60. BOW-Chars เครือข่ายกระจัดกระจายลึก
  61. เครือข่ายที่เหลือโดยใช้ Atrous CNN
  62. เครือข่ายที่เหลือโดยใช้ Atrous CNN + Bahdanau Attention
  63. พีระมิดลึก ซีเอ็นเอ็น
  64. หม้อแปลง-XL
  65. ถ่ายทอดการเรียนรู้ GPT-2 345M
  66. กึ่ง RNN
  67. ทาโคตรอน
  68. ชิ้น GRU
  69. Slice GRU + Bahdanau
  70. เวฟเน็ต
  71. ถ่ายทอดการเรียนรู้ BERT Base
  72. ถ่ายทอดการเรียนรู้ XL-net Large
  73. LSTM BiRNN สูงสุดทั่วโลกและการรวมเฉลี่ย
  74. ถ่ายทอดการเรียนรู้ BERT Base ดรอป 6 ชั้น
  75. ถ่ายทอดการเรียนรู้ BERT ดรอปใหญ่ 12 ชั้น
  76. ถ่ายทอดการเรียนรู้ XL-net Base
  77. ถ่ายทอดการเรียนรู้อัลเบิร์ต
  78. ถ่ายทอดการเรียนรู้ ELECTRA Base
  79. ถ่ายทอดการเรียนรู้ ELECTRA ขนาดใหญ่

ความคล้ายคลึงกันของข้อความ

อบรมเรื่อง MNLI

รายการที่สมบูรณ์ (10 สมุดบันทึก)
  1. BiRNN + การสูญเสียเชิงเปรียบเทียบ ความแม่นยำในการทดสอบ 73.032%
  2. BiRNN + Cross entropy ความแม่นยำในการทดสอบ 74.265%
  3. BiRNN + การสูญเสียวงกลม ความแม่นยำในการทดสอบ 75.857%
  4. BiRNN + การสูญเสียพร็อกซี ทดสอบความแม่นยำ 48.37%
  5. BERT Base + Cross entropy ทดสอบความแม่นยำ 91.123%
  6. BERT Base + การสูญเสียวงกลม ความแม่นยำในการทดสอบ 89.903%
  7. ELECTRA Base + Cross Entropy ทดสอบความแม่นยำ 96.317%
  8. ฐาน ELECTRA + การสูญเสียวงกลม ความแม่นยำในการทดสอบ 95.603%
  9. XLNET Base + Cross entropy ทดสอบความแม่นยำ 93.998%
  10. XLNET Base + การสูญเสียวงกลม ความแม่นยำในการทดสอบ 94.033%

ข้อความเป็นคำพูด

ฝึกอบรมเกี่ยวกับชุดข้อมูลคำพูดของโตรอนโต

รายการที่สมบูรณ์ (8 สมุดบันทึก)
  1. ทาโคตรอน https://github.com/Kyubyong/tacotron
  2. CNN Seq2seq + vocoder ของ CNN แบบขยาย
  3. Seq2Seq + Bahdanau โปรดทราบ
  4. Seq2Seq + Luong ความสนใจ
  5. CNN แบบขยาย + ความสนใจแบบโมโนโทนิก + โวโคเดอร์ CNN แบบขยาย
  6. CNN แบบขยาย + การเอาใจใส่ตนเอง + vocoder ของ CNN แบบขยาย
  7. Deep CNN + Monothonic Attention + โวโคเดอร์ CNN แบบขยาย
  8. Deep CNN + การเอาใจใส่ตนเอง + vocoder ของ CNN ที่ขยายกว้าง

เครื่องกำเนิดหัวข้อ

อบรมข่าวมาเลเซีย

รายการที่สมบูรณ์ (4 สมุดบันทึก)
  1. ททท.-LSTM
  2. TAV-LSTM
  3. เอ็มทีเอ-LSTM
  4. CNN Seq2seq แบบขยาย

การสร้างแบบจำลองหัวข้อ

ดึงมาจากชุดข้อมูลความรู้สึกภาษาอังกฤษ

รายการที่สมบูรณ์ (3 สมุดบันทึก)
  1. LDA2Vec
  2. เบิร์ต โปรดทราบ
  3. XLNET โปรดทราบ

การสรุปแบบแยกส่วนแบบไม่มีผู้ดูแล

อบรมเรื่องหนังสือสุ่ม

รายการที่สมบูรณ์ (3 สมุดบันทึก)
  1. ข้ามความคิดของเว็กเตอร์
  2. เครือข่ายที่เหลือโดยใช้ Atrous CNN
  3. เครือข่ายที่เหลือโดยใช้ Atrous CNN + Bahdanau Attention

เวกเตอร์

ฝึกอบรมชุดข้อมูลความรู้สึกภาษาอังกฤษ

รายการทั้งหมด (11 เล่ม)
  1. คำเวกเตอร์โดยใช้ตัวอย่าง CBOW softmax
  2. คำเวกเตอร์โดยใช้การประมาณค่าเชิงตัดกันของสัญญาณรบกวน CBOW
  3. Word Vector โดยใช้ตัวอย่าง Skipgram softmax
  4. คำว่าเวกเตอร์ใช้การประมาณค่าเชิงตัดกันของสัญญาณรบกวนข้ามแกรม
  5. ฝังตัวภายใต้การดูแล
  6. การสูญเสียทริปเปิล + LSTM
  7. LSTM ตัวเข้ารหัสอัตโนมัติ
  8. LSTM ที่สูญเสีย Triplet ทั้งหมดเป็นชุด
  9. ข้อความด่วน
  10. เอลโม่ (biLM)
  11. การสูญเสียทริปเปิล + BERT

การแสดงภาพ

รายการที่สมบูรณ์ (4 สมุดบันทึก)
  1. แผนที่ความร้อนความสนใจบน Bahdanau Attention
  2. แผนที่ความร้อนความสนใจบน Luong Attention
  3. ความสนใจของ BERT https://github.com/hsm207/bert_attn_viz
  4. ความสนใจ XLNET

โวโคเดอร์จากรุ่นสู่รุ่น

ฝึกอบรมเกี่ยวกับชุดข้อมูลคำพูดของโตรอนโต

รายการที่สมบูรณ์ (1 สมุดบันทึก)
  1. ซีเอ็นเอ็นขยาย

ความสนใจ

รายการที่สมบูรณ์ (8 สมุดบันทึก)
  1. บาห์ดาเนา
  2. หลง
  3. ลำดับชั้น
  4. สารเติมแต่ง
  5. อ่อนนุ่ม
  6. ความสนใจมากกว่าความสนใจ
  7. บาห์ดาเนา API
  8. Luong API

ไม่ใช่การเรียนรู้เชิงลึก

  1. แชทบอทมาร์คอฟ
  2. สรุปการสลายตัว (สมุดบันทึก 3 เล่ม)
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด