注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. textCNN文本分类相关论文Convolutional Neural Networks for Sentence Classification

  2. textCNN文本分类相关论文Convolutional Neural Networks for Sentence Classification

  3. 所属分类：深度学习

    • 发布日期：2019-03-16
    • 文件大小：220kb
    • 提供者：zgj_gutou

  1. 基于深度学习的文本分类6大算法.rar

  2. 收集的文本分类深度学习算法，包括TextCNN，BI-LSTM，RCNN，Bert等经典深度学习文本分类英文论文。

  3. 所属分类：深度学习

    • 发布日期：2020-10-16
    • 文件大小：2mb
    • 提供者：bean435

  1. 关于介绍TextCNN的最初两篇论文

  2. 关于介绍TextCNN的最初两篇论文

  3. 所属分类：互联网

    • 发布日期：2021-03-18
    • 文件大小：532kb
    • 提供者：Ricardo_ChenM

  1. PaperReading:每天阅读过的论文的简要笔记-源码

  2. 270.《决策前先征求父母子女_充分利用分层结构进行自我监督分类法的发展》，腾讯，刘邦 分类树扩展的工作，用于腾讯的疫情问答场景。刘邦的博士论文可以一读。 269.联合学习 《保护数百万人的隐私保护技术_预防卒中联合预测模型》 FL使用传统模型，也是目前主要做的工作 《自然语言处理的机构联合学习的实证研究》 FL使用TextCNN的经验性工作 《联邦政府：通过整体蒸馏进行联合学习以提取医疗关系》 内容：FL透析医疗关系撤除 结果：实现了隐私保护，但指标下降 核心：在通信，不在计算 科普：

  3. 所属分类：其它

  1. bert_distill：BERT蒸馏（基于BERT的蒸馏实验）-源码

  2. 基于BERT的蒸馏实验 参考论文《从BERT提取任务特定的知识到简单神经网络》 分别采用keras和pytorch基于textcnn和bilstm（gru）进行了实验 实验数据分割成1（有标签训练）：8（无标签训练）：1（测试） 在情感2分类服装的数据集上初步结果如下： 小模型（textcnn＆bilstm）准确率在0.80〜0.81 BERT模型准确率在0.90〜0.91 蒸馏模型准确率在0.87〜0.88 实验结果与论文某些基本一致，与预期相符 后续将尝试其他更有效的蒸馏方案 使用方法 首

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：30mb
    • 提供者：weixin_42146086

  1. chinese_text_cnn：TextCNN Pytorch实现中文文本分类情感分析-源码

  2. TextCNN Pytorch实现中文文本分类 论文 参考 依赖项 python3.5 pytorch == 1.0.0 torchtext == 0.3.1 jieba == 0.39 词向量 （这里用的是Zhihu_QA知乎问答训练出来的单词Word2vec） 用法 python3 main.py -h 训练 python3 main.py 准确率 CNN-rand随机初始化嵌入 python main.py Batch[1800] - loss: 0.009499 a

  3. 所属分类：其它

  1. TextClassification-Keras：在Keras中实现的文本分类模型，包括：FastText，TextCNN，TextRNN，TextBiRNN，TextAttBiRNN，HAN，RCNN，RCNNVariant等-源码

  2. TextClassification-Keras 这个代码库实现了一个各种深学习模型使用Keras框架，其中包括文本分类：FastText，TextCNN，TextRNN，TextBiRNN，TextAttBiRNN，韩，RCNN，RCNNVariant等除了模型实现，简化应用程序包括在内。 指导 环境 Python 3.7 NumPy 1.17.2 Tensorflow 2.0.1 用法 所有代码都位于目录/model ，每种模型都有对应的目录，其中放置了模型和应用程序。 例如，Fas

  3. 所属分类：其它

  1. bert_language_understanding：用于语言理解的深度双向变压器的预训练：TextCNN的预训练-源码

  2. Google的bert提出的有关语言理解的想法：训练TextCNN 目录 1.引言 2.性能 3.用法 4.样本数据，数据格式 5.对用户的建议 6.BERT的简短描述 7.作者对BERT的详细描述 8，预训练语言理解任务 9，环境 10.实施细节 11，更好地理解变压器和BERT的问题 12，玩具任务 13.多标签分类任务 14.TODO列表 15，结论 16，参考文献 介绍 预训练就是您所需要的！ BERT最近在10多个nlp任务上取得了最新的技术成果。 这是用于语言理解的深度双向变压器

  3. 所属分类：其它