torch,numpy,tqdm
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
Python-2018GoogleAIBERT论文的Pytorch实现
Google AI 公开了一篇 NLP 论文,介绍了新的语言表征模型 BERT,该模型被认为是最强 NLP 预训练模型,刷新了 11 项 NLP 任务的当前最优性能记录。该 仓库是 BERT 的 Pytorch 实现。
hloc-分层本地化工具箱-Python开发
这是hloc,这是用于最新6自由度视觉定位的模块化工具箱。 它实现了分层本地化,利用图像检索和特征匹配,并且快速,准确和可扩展。 hloc-分层本地化工具箱这是hloc,这是用于最新6 DoF视觉本地化的模块化工具箱。 它实现了分层本地化,利用图像检索和特征匹配,并且快速,准确和可扩展。 该代码库与我们的用于特征匹配的图形神经网络SuperGlue相结合,在CVPR 2020上赢得了室内/室外本地化挑战。 使用hloc,您可以:在室外(Aachen)和室内(InL)重现我们的CVPR 2020获奖结果
PyTorch中seq2seq模型的开源框架。-Python开发
pytorch-seq2seq文档这是在PyTorch中实现的序列到序列(seq2seq)模型的框架。 该框架具有用于seq2seq模型,训练和推论,检查点的模块化和可扩展组件pytorch-seq2seq文档这是在PyTorch中实现的序列到序列(seq2seq)模型的框架。 该框架具有用于seq2seq模型,训练和推理,检查点等的模块化且可扩展的组件。这是一个alpha版本。 我们感谢任何形式的反馈或贡献。 0.1.6中的新增功能与PyTorch 0.4兼容添加了对预训练单词嵌入路线图的支持Seq2seq是一个快速发展的领域,具有新的技术和体系结构
BERT-pytorch
伯特·比托奇 Google AI的2018 BERT的Pytorch实现,带有简单注释 BERT 2018 BERT:用于语言理解的深度双向变压器的预培训论文URL: : 介绍 Google AI的BERT论文显示了在各种NLP任务(新的17个NLP任务SOTA)上的惊人结果,包括胜过SQuAD v1.1 QA任务的人类F1得分。 本文证明,通过适当的语言模型训练方法,基于Transformer(自注意)的编码器可以有效地替代先前的语言模型。 更重要的是,他们向我们展示了这种经过预先训练的语言模型可以转移到任何NLP任务中,而无需建立特定于任务的模型体系结构。 这个惊人的结果将记录在NLP历史上,我希望有关BERT的更多论文很快就会发表。 此仓库是BERT的实现。 代码非常简单,易于理解。 其中一些代码基于带 目前,该项目正在进展中。 并且代码尚未验证。 安装 pip insta
CogKR:论文“一键式关系学习的认知知识图推理”的源代码和数据集-one source code
CogKR 一键式关系学习的认知知识图推理 杜正晓,周常,丁铭,杨红霞,唐洁 正在建设中。 先决条件 的Python 3 PyTorch> = 1.1.0 NVIDIA GPU + CUDA cuDNN 入门 安装 克隆此仓库 git clone https://github.com/THUDM/CogKR cd CogKR 请按以下方式安装依赖项 pip install -r requirements.txt 数据集 在我们的实验中,使用了两个公共数据集NELL-One和Wiki-One(稍作修改)。 原始数据集可从下载。 您可以从OneDrive中的下载预处理的数据集。 如果您在无法使用OneDrive的地区(例如中国大陆),请尝试访问清华云中的。 下载数据集后,请将其解压缩到数据集文件夹中。 要使用自己的数据集,请参见下面的“使用数据集”部分。 训练 为了训练,只需晒太
dfw:Deep Frank-Wolfe算法的实现-Pytorch
Deep Frank-Wolfe用于神经网络优化 该存储库包含pytorch中的论文的实现》。 如果您将这项工作用于研究,请引用以下文章: @Article{berrada2019deep, author = {Berrada, Leonard and Zisserman, Andrew and Kumar, M Pawan}, title = {Deep Frank-Wolfe For Neural Network Optimization}, journal = {International Conference on Learning Representations}, year = {2019}, } 注意:您可能对我们的后续算法感兴趣,该算法具有明显的收敛保证,并且在我们的实验中优于DFW。 要求 此代码适用于
story-gen-BART
EMNLP 2020论文代码( 。 如果您使用此代码,请引用为: @inproceedings{goldfarb-tarrant-etal-2020-content, title = "Content Planning for Neural Story Generation with Aristotelian Rescoring", author = "Goldfarb-Tarrant, Seraphina and Chakrabarty, Tuhin and Weischedel, Ralph and Peng, Nanyun", booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Proce
通过自我监督促进小样本视觉学习.zip
通过自我监督促进小样本视觉学习.zip
NeuralCodeSum:ACL 2020关于源代码摘要的论文的正式实施
基于变压器的源代码汇总方法 ACL 2020关于源代码摘要的论文的正式实施。 [ ] 安装C2NL 您可以考虑安装C2NL软件包。 C2NL需要Linux和Python 3.6或更高版本。它还需要安装PyTorch 1.3版。它的其他依赖项在requirements.txt中列出。强烈建议您使用CUDA,以提高速度,但不是必需的。 运行以下命令以克隆存储库并安装C2NL: git clone https://github.com/wasiahmad/NeuralCodeSum.git cd NeuralCodeSum; pip install -r requirements.txt; python setup.py develop 训练/测试模型 我们提供基于RNN的序列到序列(Seq2Seq)模型实现以及我们的Transformer模型。要进行训练和评估,请首先转到与目标数据集关联的
Google_AI_2018_BERT_pytorch_implementation_BERT-pytorch.zip
Google_AI_2018_BERT_pytorch_implementation_BERT-pytorch
Barkify是一个非官方的代码仓库,用于训练Bark,这是由suno-ai开发的一款文本提示生成音频的模型
Barkify是一个非官方的代码仓库,用于训练Bark,这是由suno-ai开发的一款文本提示生成音频的模型。 Bark包含两个与自然语言处理(NLP)提示和其他技巧兼容的GPT风格模型。Bark实现了出色的真实世界文本转语音(TTS)效果,但代码仓库本身并没有提供训练配方。我们希望进行一些实验或训练这个模型。在这里,我们发布了我们的基础训练代码,这可能对开源社区的训练有一定的指导意义。 处理数据集 我们在LJspeech数据集上进行实验。请按照process.ipynb中的说明操作。 对于中文,我们测试了一个名为“峰哥亡命天涯”的著名语音合成器。它显示出可以接受的结果,但不如我们其他的TTS代码仓库的效果。对于英文,我们测试了LibriTTS数据集。它运行良好,我们路线图中的基本项目已经得到了验证。 训练 第一阶段代表文本到语义,第二阶段代表语义到声音。 您应该在configs/barkify.yaml中配置参数。我们使用一块A100 GPU来训练我们的模型(包括S1和S2)。
颜色分类leetcode-trojanzoo:TrojanZoo提供了一个通用的pytorch平台来进行深度学习中图像分类的安全研究(尤其是后
颜色分类leetcode 特洛伊动物园 注意: TrojanZoo 需要python>=3.9.2 、 pytorch>=1.8.1和torchvision>=0.9.1 ,必须手动安装。 推荐使用conda安装。 这是我们论文的代码实现(pytorch): TrojanZoo 提供了一个通用的 pytorch 平台来进行深度学习中图像分类的安全研究(尤其是后门攻击/防御)。 它由两个包组成: trojanzoo和trojanvision 。 trojanzoo包含抽象类和实用程序,而trojanvision包含用于图像分类任务的抽象和具体类。 注意:这个存储库也被维护以涵盖我们的 kdd 2020 论文和 ccs 2020 论文。 截屏 特征 多彩而详细的输出! 注意:使用--color启用颜色和--verbose启用详细信息。 要打开带有颜色的交互式窗口,请使用python - --color 模块化设计(即插即用) 良好的代码 linting 支持(这个包需要python>=3.9 ) 将您自己的模块注册到库中。 原生 Pytorch 输出trojanzoo和trojanvisi
txt2vid:文字转视频荣誉项目,包含TGAN,TGANv2和“创建您所讲的内容”的实现
txt2video 生成视频,其条件是使用GAN编写文本。 荣誉论文。 此实现包含以下书面实现: 创造你所讲的 GAN TGANv2 修改后两个以文本为条件。 文本使用Bi-LSTM编码,该Bi-LSTM已经过预训练以生成下一个标记-从内存上来说,该方法与“创建您要说的内容”相同。 另外,为了更有效地捕获鉴别器中的运动,还利用了非局部块(自我注意)。 引入了类似于StackGAN ++的条件信息。 。 对于鉴别器,我们比较两对: $ {(x_r,c_r),(x_f,c_r)} $ $ {(x_r,c_f),(x_f,c_r)} $ 对于生成器,我们仅比较上面的第一对。 x_r是真实视频 x_f是假视频 c_r字幕与视频正确关联 c_f的字幕与视频不相关 标准GAN损耗是首选的,因为1个判别步骤与1个生成器步骤。 另外,我通过以下方法对非相关性损失进行了实验: $(
Depth-Completion:pytorch正式实施“具有边界一致性和自我关注的室内深度完成。Huang等人,RLQ @ ICCV2019。”
具有边界一致性和自我关注能力的室内深度完成 pytorch正式实施“具有边界一致性和自我关注的室内深度完成。Huang等人,RLQ @ ICCV2019。” 在“具有边界一致性和自我注意的室内深度完成。Huang et al。RLQ @ ICCV 2019.”中,我们设计了一种神经网络,该神经网络利用自我注意机制和边界一致性概念来改进完成深度图。 我们的工作提高了深度图的质量和结构,其性能优于以前在Matterport3D数据集上进行的最新深度完成工作。 实施细节和实验结果可以在本文中看到。 环境设定 在使用Python 3.6.7的x86_64 GNU / Linux机器上 git clone git@github.com:patrickwu2/Depth-Completion.git cd Depth-Completion pip3 install -r requirements
基于文档生成问题任务的类ChatGPT实战.zip
chatGPT是未来的必备工具,本项目是基于ChatGPT的二次开发也可以基于私有部署的模型来开发。内含源码和环境搭建教程。代码注释清晰
animal-matting:Github存储库,用于端到端动物图像抠图
端到端动物图像抠像 这是“”一文的官方资料库。 || | | |||| :rocket:消息 经过纸质审查后,将发布培训代码和数据集 。 [2020-11-17]:创建演示以使希望在线尝试的用户受益。 [2020-11-06]:释放数据集 。请填写此并将其发送给通过您的学术电子邮件地址发送电子邮件至 。 [2020-11-03]:发布和可用于测试您自己的动物图像的。 [2020-10-27]:发布其中包含关于动物视频的动机,网络,数据集和测试结果。 在Google Colab上进行演示 对于那些在环境中没有GPU或只想简单在线尝试的人,可以尝试使用我们的演示轻松地为图像生成结果。 介绍 该存储库包含代码“的代码,数据集,模型,测试结果和视频演示。我们提出了一种新颖的Glance和Focus Matting网络( GFM ),该网络使用共享的编码器和两个单独的解码器以协作的方式学习这两个
用matlab生成谐波代码-CoMIR:联合表示学习,通过多模式配准进行评估以及与基于图像翻译的方法进行比较的框架
用matlab生成谐波代码 CoMIR:合作ntrastive中号ultimodal我法师[R epresentation为注册框架 :framed_picture: 通过深度学习以不同的方式配准图像配准 :robot: ,,,,,和 NeurIPS 2020论文代码: 目录 介绍 是在同一坐标系中对齐多个图像的过程。 与使用每个单独的图像相比,这对于提取更多信息很有用。 我们执行严格的多峰图像配准,即使每个图像中的信息完全不同,我们也可以成功对齐来自不同显微镜的图像。 以下是来自两个不同显微镜(亮场和二次谐波产生)的三个图像配准: 该存储库使您可以访问执行以下操作所需的代码: 训练一个神经网络,以在一个公共的潜在空间中转换图像。 注册在公共潜在空间中转换的图像。 它是如何工作的? 我们结合了最先进的人工神经网络(),将输入图像转换为潜在空间表示,并为CoMIR洗礼。 CoMIR经过精心设计,可以借助经典的注册方法进行调整。 下图描述了我们的管道: 论文的主要发现 :chart_decreasing: 可以在训练过程中使用对比学习并整合等方差约束。 :framed_picture: 使用经典配准方法可以成功地对CoMIR进行对齐。 :cyclone: CoMIR是旋转等变量()。 :robot: 使用GAN生成跨模态
dialog-processing:NLG和NLU用于对话处理
对话处理 该存储库为对话框建模中的NLU和NLG提供了通用的体系结构。 主要思想是设计1)通用数据结构,以更轻松地访问不同的语料库; 2)通用API,以最小的努力尝试不同的模型和语料库。 部分 论文实施 实施的arxiv论文《》的实施,请认真检查。 为了实施ACL 2020论文《 ,请检查。 对于CSL 2019期刊论文的非原始实现, ,请检查。 运行任务的示例命令 (在dialog_processing / src /目录中) # 1. download raw data and preprocess python -m corpora.{corpus_name}.build_{task_name}_dataset # 2. extract pretrained word embeddings (optional if you are not gonna use pretrai
基于Pytorch的多特征分类框架【100012117】
基于Pytorch的多特征序列标注和普通分类框架,包装的还算可以。可以直接照搬demo,拿csv文件去训练预测。 功能 多特征分类(特征包括字符型、数值型,其中字符型最好是单个词而非词组或句子) 输出详细分类详情
pFedHN:“使用超网络进行个性化联合学习”的官方代码实现
使用超网络的个性化联合学习 这是使用超网络论文的个性化联合学习的正式实施。 安装 使用conda / virtualenv创建虚拟环境 克隆仓库 运行: cd <PATH> 运行: pip install -e . 安装必要的软件包和路径链接。 复制纸张结果 CIFAR10的PfedHN结果 运行: cd experiments/pfedhn 运行: python trainer.py CIFAR10上的PfedHN-PC结果 运行: cd experiments/pfedhn_pc 运行: python trainer.py 引文 如果您发现pFedHN在您自己的研究中很有用,请考虑引用以下论文: @article { shamsian2021personalized , title = { Personalized Federated
最新推荐

