[其它] coco-lm-pytorch：在Pytorch中实现COCO-LM，纠正和对比用于语言模型预训练的文本序列-源码

说明：COCO LM预训练（WIP） 在Pytorch中实现 ，纠正和对比文本序列以进行语言模型预训练。 他们能够以自我监督的方式进行对比学习，以进行语言模型预训练。 似乎是Electra的坚实后继者。 安装 $ pip install coco-lm-pytorch 用法 使用x-transformers库的示例 $ pip install x-transformers 然后 import torch from torch import nn from x_transformers import
<weixin_42172572> 上传 | 大小：117kb

[其它] elo：实施Elo排名系统-源码

说明：elo：实施Elo排名系统
<weixin_42102358> 上传 | 大小：903kb

[其它] omn​​inet-pytorch：在Pytorch中实现OmniNet（来自变压器的全向表示）-源码

说明：Omninet-Pytorch 在实现 （来自变压器的全向表示）。 作者建议，我们应该关注先前各层的所有标记，并利用最近的有效关注进展来实现此目标。 安装 $ pip install omninet-pytorch 用法 import torch from omninet_pytorch import Omninet omninet = Omninet ( dim = 512 , # model dimension depth = 6 ,
<weixin_42134051> 上传 | 大小：126kb

[其它] openwrt-小米-R3G-源码

说明：行动OpenWrt 使用GitHub Actions构建OpenWrt 用法 单击按钮创建一个新的存储库。 使用源代码生成.config文件。 （您可以通过工作流文件中的环境变量来更改它。） 将.config文件推送到GitHub存储库。 在“操作”页面上选择“ Build OpenWrt ”。 单击Run workflow按钮。 构建完成后，单击“操作”页面右上角的Artifacts按钮以下载二进制文件。 尖端 创建.config文件和构建OpenWrt固件可能需要很长时间。 因此
<weixin_42135753> 上传 | 大小：9kb

[其它] 瘦雪橇-源码

说明：使用Snowscr ipt构建的Typescr ipt和TailwindCSS Svelte :sparkles: Snowpack + Svelte + Typescr ipt + TailwindCSS的社区模板基于并进行了一些更新和清理 使用svelte-preprocess 可用脚本 npm开始 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 npm运行构建 将站点的静态副本build/到build/文件夹
<weixin_42102933> 上传 | 大小：125kb

[其它] clojure_fullstack：一个小时（一个月）的Clojure fullstack-源码

说明：Clojure全栈 Clojure全栈游戏，一个小时（一个月） 涵盖的主题： 单元测试 简单的GUI Kubernetes CI / CD PostgreSQL Emacs / Vim设置 信息模型 病人 id（UUID） 名（字符串） 姓（字符串） patronymic-name（字符串） 性别（字符串） 地址（字符串） 出生日期（日期） oms-document-id（整数） 休息点 数据流 / api /患者 GET =>获取患者列表 POST =>创
<weixin_42131405> 上传 | 大小：109kb

[其它] mmdetection-distiller：这是基于mmdetection的知识蒸馏工具箱-源码

说明：毫米波检测器 该项目基于mmdetection（v-2.9.0），所有用法与相同，包括培训，测试等。 蒸馏器动物园 安装 设置新的conda环境： conda create -n distiller python=3.7 安装pytorch 安装mmdetection-distiller git clone https://github.com/pppppM/mmdetection-distiller.git cd mmdetection-distiller pip install -r
<weixin_42131798> 上传 | 大小：7mb

[其它] 无监督学习车辆识别：vehicle.csv-源码

说明：无监督学习车辆识别：vehicle.csv
<weixin_42118011> 上传 | 大小：3mb

[其它] github-finder：使用香草javascript构建的Github User finder Web应用程序-源码

说明：Github搜寻器 使用香草javascr ipt构建的小项目。 使用异步编程通过javascr ipt fetch API从GitHub api获取配置文件数据。 当您开始输入名称时，它将向您显示匹配的配置文件。
<weixin_42103587> 上传 | 大小：188kb

[其它] 一种基于广义随机Petri网的BPEL建模

说明：一种基于广义随机Petri网的BPEL建模
<weixin_38551070> 上传 | 大小：1mb

[其它] 公平交易-源码

说明：Fairseq（-py）是一个序列建模工具包，研究人员和开发人员可以使用它们来训练定制模型，以进行翻译，摘要，语言建模和其他文本生成任务。 我们提供各种序列建模论文的参考实现： 实施文件清单 卷积神经网络（CNN） LightConv和DynamicConv模型 长短期记忆（LSTM）网络基于注意力的神经机器翻译的有效方法（Luong et al。，2015） 变压器（自我关注）网络 注意就是您所需要的（Vaswani et al。，2017） 非自回归变压器 非自回归神经机器翻译（
<weixin_42129300> 上传 | 大小：121mb

[其它] 如何成为一个《专家型需求分析师》

说明：对于一个系统，甲乙双方一般会有各自的价值目标：而业务和IT之间的匹配存在一个非常重要的搭桥的工作，这就是需求工作的核心价值。很多企业很重视需求，希望需求工作能够在业务部门和IT团队之间建立一个桥梁，让用户的需要转化为系统的需求。但是实际情况是因为２者的问题空间不同，所以很容易造成误解，这也就是为什么需求是一个被广泛关注却问题最多的工作之一。需求工作当前的最大问题是２个不理解：这个不理解其实是一个非常大的挑战，因为不理解的不是一两个概念，而是２个工作空间里的很多不理解：既然需求工作这么重要，很多企
<weixin_38500630> 上传 | 大小：1mb