PyTorch自然语言处理部分教程翻译的ipynb：基于nn.Transformer和TorchText构建序列到序列模型。transformer_tutorial-CN.ipynb，原文是：SEQUENCE-TO-SEQUENCE MODELING WITH NN.TRANSFORMER AND TORCHTEXT。基于Wikitext-2数据集。教程在语言模型任务上训练nn.TransformerEncoder模型。语言模型任务是计算一个给定单词（或单词序列）是一个单词序列的后一个单词的概率

tensorflow2.0 版的transformer模型代码

交通标志识别 将交通标志图像识别并分类为来自数据集的43类。 该项目是Rob Fergus领导的纽约大学计算机视觉课程的一部分，并作为Kaggle竞赛进行。 该模型是使用带有IDSIA网络修改版本的Spatial Transformer网络设计的，并使用大量增强的数据进行了训练。 该模型在Kaggle排行榜上达到了约99.5％的测试设置精度，远高于人工精度。 该项目的整个开发过程可以在阅读。 数据 从下载培训和测试文件夹 跑步 项目可以通过两种方式运行，即main.ipynb jupyter

状态：存档（代码按原样提供，预计无更新） 伯特·凯拉斯 Google BERT（来自Transformers的双向编码器表示）的Keras实现和OpenAI的Transformer LM能够使用微调API加载预训练的模型。 更新：得益于 TPU支持进行推理和训练 如何使用它？ # this is a pseudo code you can read an actual working example in tutorial.ipynb or the colab notebook text_e

从成对单细胞RNA进行败血症诊断 存储与此项目有关的所有相关代码。 数据预处理 -请检查“数据预处理”文件夹。 readdata.py包含数据预处理阶段的相关代码。 changefdrlimit.py在实验过程中更改Fdr阈值。 deleteSparseData.py会在实验期间更改稀疏阈值。 read_specgenes.py选择特定基因与其他生物标记进行比较。 模型训练 3s_series_trTran_CNN包含我们在课程中选择的模型的相关代码。 （Transformer + CNN，E