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. HMM模型程序用于语音翻译

  2. 机器翻译 隐马尔科夫 可以推测隐马尔科夫链的状态以及其他应用

  3. 所属分类：专业指导

    • 发布日期：2009-07-01
    • 文件大小：74752
    • 提供者：polosun

  1. C++ Tokenizer

  2. 为c++实现Tokenizer，就像java里面的string tokenizer

  3. 所属分类：C++

    • 发布日期：2011-05-29
    • 文件大小：762
    • 提供者：yaochenlan

  1. CMU-Cam_Toolkit_v2

  2. 机器翻译的工具。这是一个语言模型工具，用于生成语言模型，以便解码器调用。

  3. 所属分类：C

    • 发布日期：2011-11-19
    • 文件大小：124928
    • 提供者：byjlwaa

  1. NiuTrans.SMT：NiuTrans.SMT是由NLP Lab的一个联合团队开发的开源统计机器翻译系统。 在东北大学和NiuTrans团队。 NiuTrans系统是完全用C ++语言开发的。 因此它运行速度快，占用的内存更少。 目前，

  2. NiuTrans.SMT：统计机器翻译系统 NiuTrans.SMT是由自然语言处理实验室的联合团队开发的开源统计机器翻译系统。 在东北大学和YaTrans Co.，Ltd。 NiuTrans.SMT系统是完全用C ++语言开发的。 因此它运行速度快，占用的内存更少。 目前，它支持面向研究的基于短语，基于分层短语和基于语法（字符串到树，树到字符串和树到树）的模型。 产品特点 用C ++编写。 因此运行速度很快。 支持多线程 易于使用的API，用于功能工程 具有竞争力的翻译任务 嵌入了一个紧凑但

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：106954752
    • 提供者：weixin_42138408

  1. Seq2seq-Chatbot-for-Keras：此存储库包含一个新的基于seq2seq建模的chatbot生成模型-源码

  2. 适用于Keras的Seq2seq聊天机器人 该存储库包含一个基于seq2seq建模的聊天机器人的新生成模型。 有关该模型的更多详细信息，请参见论文第3节。 如果使用该存储库中的想法或代码片段进行发布，请引用本文。 这里可用的经过训练的模型使用了一个小型数据集，该数据集由约8000对上下文（直到当前点的对话的最后两个话语）和相应的响应组成。 数据是从在线英语课程的对话中收集的。 可以使用封闭域数据集对实际应用程序进行微调。 规范seq2seq模型在神经机器翻译中变得很流行，该任务对属于输入和输

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：159744
    • 提供者：weixin_42138780

  1. NPMT：迈向基于神经短语的机器翻译-源码

  2. 介绍 这是NPMT，它是Microsoft Research和的源代码。 它建立在的之上。 我们介绍了的设置和神经机器翻译（NMT）实验。 NPMT 基于神经短语的机器翻译（NPMT）使用最近提出的基于分段的序列建模方法Sleep-WAke Networks（SWAN）对输出序列中的短语结构进行显式建模。 为了减轻SWAN的单调对齐要求，我们引入了一个新的层来执行（软）输入序列的本地重新排序。 与现有的神经机器翻译（NMT）方法不同，NPMT不使用基于注意力的解码机制。 而是直接按顺序输出短语

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：2097152
    • 提供者：weixin_42101164

  1. DeepNLP-models-Pytorch：CS-224n（斯坦福大学）中各种Deep NLP模型的Pytorch实现-源码

  2. DeepNLP模型-Pytorch 中各种Deep NLP模型 这不适用于Pytorch初学者。 如果您是第一次使用Pytorch，建议您阅读这些。 如果您对DeepNLP感兴趣，我强烈建议您参加这个很棒的讲座。 这种材料不是完美的，但是会帮助您的学习和研究：）请随时提出要求！！ 内容 模型 链接 01.跳过-天真-Softmax [ /数据/] 02.跳过gram负采样 [ /数据/ ] 03.手套 [ /数据/] 04. NER的窗口分类器 [ /数据/纸] 05.神经依赖

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：744448
    • 提供者：weixin_42134537

  1. CTranslate2：适用于OpenNMT模型的快速推理引擎-源码

  2. CTranslate2 CTranslate2是适用于支持CPU和GPU执行的和模型的快速推理引擎。 目标是提供全面的推理功能，并成为部署标准神经机器翻译系统（例如Transformer模型）的最有效和最具成本效益的解决方案。 该项目以生产为导向，具有，但它还包括与模型压缩和推理加速有关的实验功能。 目录 主要特点 在CPU和GPU上快速高效地执行支持的模型和任务的通用深度学习框架相比，执行。 量化和降低精度模型序列化和计算以较低的精度支持权重：16位浮点（FP16），16位整数和8位整

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：2097152
    • 提供者：weixin_42104778

  1. 基于统计的汉英机器翻译技术的研究

  2. 随着互联网的大力普及，机器翻译彰显了其在未来的无可替代性。本文提出了一个汉英机器翻译系统，该系统是以统计为基础而发展的。文中先对统计机器翻译进行介绍，然后对汉英机器翻译系统进行详细介绍与说明，因为现今技术中，主要是以IBM对齐模型为基础的，而在这个IBM对齐模型中，以模型4最为有效，所以重点介绍模型4。最后提出了基于短语对齐模型的汉英统计机器翻译系统。

  3. 所属分类：其它

    • 发布日期：2021-01-28
    • 文件大小：805888
    • 提供者：weixin_38645208

  1. *机器翻译团队：将TVM引入TensorFlow中以优化GPU上的神经机器翻译

  2. 本文于阿里云，神经机器翻译（NMT）是自动翻译的端到端方法，这个方法具有克服传统短语翻译系统缺点的潜力。神经机器翻译（NMT）是自动翻译的端到端方法，这个方法具有克服传统短语翻译系统缺点的潜力。最近，*集团正在为全球电子商务部署NMT服务。目前，我们正在利用Transformer[1]作为我们NMT系统的主要骨干，因为它对于经典的基于RNN/LSTM模型的高效离线训练具有较高的准确度，因此它成为了系统的核心。尽管Transformer对于离线训练阶段很友好，因为它在时间跨度上打破了依赖性，

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：527360
    • 提供者：weixin_38661650

  1. 用RNN训练语言模型生成文本

  2. 本文来自于简书，本文通过介绍 LanguageModel，怎么实现以及应用，诠释了如何用RNN建立 LanguageModel生成文本。 LanguageModel是NLP的基础，是语音识别,机器翻译等很多NLP任务的核心。 参考：实际上是一个概率分布模型P，对于语言里的每一个字符串S

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：249856
    • 提供者：weixin_38670297

  1. 动手学深度学习 Task04 机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer

  2. 【一】机器翻译及相关技术 机器翻译（MT）： 将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出的是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 数据预处理 将数据集清洗、转化为神经网络的输入minbatch。字符在计算机里是以编码的形式存在，我们通常所用的空格是 \x20 ，是在标准ASCII可见字符 0x20~0x7e 范围内。 而 \xa0 属于 latin1 （ISO/IEC_8859-1）中的扩展字符集字

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：424960
    • 提供者：weixin_38653040

  1. 动手入门深度学习笔记-机器翻译(注意力机制与Seq2seq模型,Transformer)

  2. 机器翻译 1.定义 将一段文本从一种语言自动翻译为另一种语言， 用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 2.code 实现 ## 机器翻译定义 主要是将一段文本从一种语言自动翻译成另外一种语言 输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同 import os os.listdir('/home/kesci/input/') import sys sys.path.appe

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：723968
    • 提供者：weixin_38641896

  1. 《动手学深度学习PyTorch版》打卡_Task4，机器翻译及相关技术，注意力机制与Seq2seq模型

  2. 最近参加了伯禹平台和Datawhale等举办的《动手学深度学习PyTorch版》课程，机器翻译及相关技术，注意力机制与Seq2seq模型做下笔记。 机器翻译和数据集 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 使用Encoder-Decoder框架： 实现一个Encoder类 class Encoder(nn.Module): def

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：307200
    • 提供者：weixin_38517212

  1. 《动手学深度学习——机器翻译及相关技术，注意力机制与seq2seq模型，Transformer》笔记

  2. 动手学深度学习：机器翻译及相关技术，注意力机制与seq2seq模型，Transformer 初次学习机器翻译相关，把课程的概念题都记录一下。 目录： 1、机器翻译及相关技术 2、注意力机制与seq2seq模型 3、Transformer 1、机器翻译以及相关技术 1、机器翻译以及相关技术 1、关于Sequence to Sequence模型说法错误的是： A 训练时decoder每个单元输出得到的单词作为下一个单元的输入单词。 B 预测时decoder每个单元输出得到的单词作为下一个单元的输入单

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：363520
    • 提供者：weixin_38659789

  1. DL notes 03：机器翻译(MT)/NLP 基础知识

  2. 文章目录一、机器翻译1.1 数据预处理和清洗1.2 文本预处理1.2.1 分词1.2.2 建立字典1.2.3 将词转为索引1.3 语言模型nnn元语法1.4 时序数据的采样随机采样相邻采样二、Encoder-DecoderSeq2Seq 模型初探Beam Search 一、机器翻译 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 1.1 数据预处理

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：288768
    • 提供者：weixin_38522636

  1. 从seq2seq模型到Transformer以及机器翻译小记

  2. seq2seq模型 基本概念 顾名思义，seq2seq模型是指，模型的输入是一个sequence序列，而模型的输出也是sequence序列，其模型结构可以表示为Encoder-Decoder结构，如下图： 其中encoder与decoder都是使用循环神经网络（RNN）实现的。其中的语义编码则是encoder的隐藏状态。其中包括了encoder中的语义信息，作为decoder的输入，从而使用decoder得到输出。 训练以及预测时的方式如下： 具体结构： 实现方式 encoder-deco

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：1048576
    • 提供者：weixin_38569203

  1. 机器翻译机制

  2. 机器翻译 机器翻译， 将一段文本从一种语言自动翻译为另一种语言。其 输出为单词序列。 处理步骤 数据预处理 分词 建立词典 输入模型 Encodr-Decoder Sequence to Sequence 注意力机制 看作适合处理由一个句子（或篇章）生成另外一个句子（或篇章）的通用处理模型。对于句子对。 ——–（思考：对很通用，X是一个问句，Y是答案；X是一个句子，Y是抽取的关系三元组；X是汉语句子，Y是汉语句子的英文翻译。等等），我们的目标是给定输入句子X，期待通过Encoder-Dec

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：376832
    • 提供者：weixin_38536841

  1. Sequence to Sequence模型理解

  2. 借鉴博客：几张图彻底搞定Seq2Seq Sequence to Sequence模型由两部分组成：Encoder和Decoder。在机器翻译过程中，假设要将汉语翻译成英语，首先，我们需要两个词典，一个是汉语的词语与数字（index）的一一对应的词典，另一个是英语单词与数字（index）的一一对应的词典，这样，就可以由词语得到数字，也可以由数字得到词语。 1.Encoder部分：对于输入的一句汉语，将其切割成汉语词语，通过查汉语词典得到词语对应的数字，将每个数字转换为一个固定长度的向量，作为循环

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：100352
    • 提供者：weixin_38691319

  1. pytorch_task4机器翻译及相关技术；注意力机制与Seq2seq模型

  2. 机器翻译 机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 步骤： 1、数据预处理。将数据集清洗、转化为神经网络的输入minbatch 2、分词。字符串—单词组成的列表 3、建立词典。单词组成的列表—单词id组成的列表 4、Encoder-Decoder encoder：输入到隐藏状态 decoder：隐藏状态到输出 Sequence to Sequ

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：184320
    • 提供者：weixin_38728276
« 1 2 3 4 5 67 8 9 10 11 ... 15 »