最新的热门生成模型——扩散模型，大多被应用于处理图片数据。这里给出处理表格数据的项目案例。

主题感知的多轮对话生成模型 在多轮对话系统中，生成与对话语境一致的回复是核心挑战之一。为了解决多轮对话系统中的主题不一致问题，本文提出了一种主题感知的多轮对话生成模型。 首先，多轮对话系统中存在一些问题，如上下文内容不相关、对话主题不连续等。这些问题使得对话系统生成的回复不具有一致性，无法保持对话的主题一致性。为了解决这些问题，本文提出了一种主题感知的多轮对话生成模型，该模型可以捕捉主题特征信息，并将其融入到对话生成中。 本文的模型使用层次化的联合注意力机制，将上下文信息与主题信息融入到对话生成中。这种机制可以捕捉到对话中的主题信息，并生成与对话语境一致的回复。实验结果表明，本文提出的对话模型在客观指标和主观指标上都取得了较好的效果，能保持对话的主题一致性。 多轮对话系统的发展历程可以分为三阶段：基于规则的对话系统、基于检索的对话系统和基于数据驱动的神经网络对话系统。在基于规则的对话系统中，对话规则是固定的，对话生成是基于规则的。在基于检索的对话系统中，对话生成是基于检索的结果。在基于数据驱动的神经网络对话系统中，对话生成是基于大规模数据集的学习结果。 然而，当前的多轮对话系统仍然存在一些问题，如上下文内容不相关、对话主题不连续等。这些问题使得对话系统生成的回复不具有一致性，无法保持对话的主题一致性。为了解决这些问题，本文提出了一种主题感知的多轮对话生成模型。 该模型使用层次化的联合注意力机制，将上下文信息与主题信息融入到对话生成中。这种机制可以捕捉到对话中的主题信息，并生成与对话语境一致的回复。实验结果表明，本文提出的对话模型在客观指标和主观指标上都取得了较好的效果，能保持对话的主题一致性。 主题一致性是多轮对话系统的核心挑战之一。为了保持对话的主题一致性，本文提出了一种主题感知的多轮对话生成模型，该模型可以捕捉主题特征信息，并将其融入到对话生成中。实验结果表明，本文提出的对话模型在客观指标和主观指标上都取得了较好的效果，能保持对话的主题一致性。 在多轮对话系统中，主题感知是非常重要的。为了保持对话的主题一致性，本文提出了一种主题感知的多轮对话生成模型，该模型可以捕捉主题特征信息，并将其融入到对话生成中。实验结果表明，本文提出的对话模型在客观指标和主观指标上都取得了较好的效果，能保持对话的主题一致性。 本文提出了一种主题感知的多轮对话生成模型，该模型可以捕捉主题特征信息，并将其融入到对话生成中。实验结果表明，本文提出的对话模型在客观指标和主观指标上都取得了较好的效果，能保持对话的主题一致性。

该存储库包含大规模预训练对话响应生成模型的源代码和训练模型。 人工评估结果表明，在单圈对话图灵测试下，DialoGPT产生的响应与人工响应质量相当。 最先进的大规模预训练响应生成模型（DialoGPT）此存储库包含大规模预训练对话响应生成模型的源代码和训练模型。 人工评估结果表明，在单圈对话图灵测试下，DialoGPT产生的响应与人工响应质量相当。 该存储库基于拥抱面pytorch-transformer和OpenAI GPT-2，包含数据提取脚本，模型训练代码

Wav2lip预训练模型，包含人脸检测模型、wav2lip生成模型、wav2lip_gan生成模型、wav2lip判别模型等，使用此模型通过音频驱动视频，生成最终的嘴型与语音的匹配

本项目使用 GPT2-Chinese 的模型将wiki中文的数据导入模型训练了通用模型。 将GPT2-chitchat的对话任务稍作修改来适用于中文摘要任务。 将通用模型的权重应用在摘要问题上进行进一步训练的。 GPT2-Chinese 参考：https://github.com/Morizeyao/GPT2-Chinese GPT2-chitchat参考：https://link.zhihu.com/?target=https%3A//github.com/yangjianxin1/GPT2-chitchat 项目工作流程详见：https://zhuanlan.zhihu.com/p/113869509 本项目为GPT2-chitchat稍作修改的内容，在此也感谢大佬的分享。 由于NLPCC的摘要数据为新闻语料，涉及话题和内容较多，应用在垂直领域下效果会好一些。

斯坦福大学深度生成模型cs236 全部pdf课件

115页Slides带你领略深度生成模型全貌(带书签），英文报告 ijcai_ecai_tutorial，入门深度生成模型很好的参考资料。

基于python的GPT2中文文本生成模型项目实现

图像描述是一个有挑战性的人工智能问题，涉及为给定图像生成文本描述。字幕生成是一个有挑战性的人工智能问题，涉及为给定图像生成文本描述。一般图像描述或字幕生成需要使用计算机视觉方法来了解图像内容，也需要自然语言处理模型将对图像的理解转换成正确顺序的文字。近期，深度学习方法在该问题的多个示例上获得了顶尖结果。深度学习方法在字幕生成问题上展现了顶尖的结果。这些方法最令人印象深刻的地方：给定一个图像，我们无需复杂的数据准备和特殊设计的流程，就可以使用端到端的方式预测字幕。本教程将介绍如何从头开发能生成图像字幕的深度学习模型。完成本教程，你将学会：该教程共分为6部分：1.图像和字幕数据集2.准备图像数据3

test1为aadl项目 OsateFeature2、OsatePlugin2、OsateSite2为eclipse开发项目