Anat Levin的论文A Closed Form Solution to Natural Image Matting的源代码，MATLAB版。该算法是抠图算法中的经典，效果特别好。

LTP 4 LTP（Language Technology Platform） 提供了一系列中文自然语言处理工具，用户可以使用这些工具对于中文文本进行分词、词性标注、句法分析等等工作。 If you use any source codes included in this toolkit in your work, please kindly cite the following paper. The bibtex are listed below: @article{che2020n, title={N-LTP: A Open-source Neural Chinese Language Technology Platform with Pretrained Models}, author={Che, Wanxiang and Feng, Yunlong and Qin, Li

这是关于包括神经计算、进化算法、量子计算在内经典算法的电子书，两千多页的巨著，高清，最新版，经典著作，英文版

HanLP: Han Language Processing | | | | | 面向生产环境的多语种自然语言处理工具包，基于PyTorch和TensorFlow 2.x双引擎，目标是普及落地最前沿的NLP技术。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。 借助世界上最大的多语种语料库，HanLP2.1支持包括简繁中英日俄法德在内的104种语言上的10种联合任务：分词（粗分、细分2个标准，强制、合并、校正3种）、词性标注（PKU、863、CTB、UD四套词性规范）、命名实体识别（PKU、MSRA、OntoNotes三套规范）、依存句法分析（SD、UD规范）、成分句法分析、语义依存分析（SemEval16、DM、PAS、PSD四套规范）、语义角色标注、词干提取、词法语法特征提取、抽象意义表示（AMR）。 量体裁衣，HanLP提供RESTful和nati

Twitter爬虫 描述 Twitter的API限制您查询用户的最新3200条推文。 这是一个痛苦的屁股。 但是，我们可以使用Selenium并进行一些网络抓取来规避此限制。 我们可以在Twitter上查询用户的整个时间，找到他们每个推文的ID。 从那里，我们可以使用tweepy API查询与每个tweet相关的完整元数据。 您可以通过更改scrape.py顶部的变量METADATA_LIST来调整收集哪些元数据。 就我个人而言，我只是收集文本来训练模型，因此，我只关心full_text字段，除了该推文是否为转推文。 我在scrape.py顶部列出了所有可用的tweet属性，以便您可以随意

贝特维兹 BertViz是用于可视化Transformer模型中注意力的工具，支持库中的所有模型（BERT，GPT-2，XLNet，RoBERTa，XLM，CTRL等）。 它扩展了的以及的库。 资源资源 :joystick_selector: :writing_hand_selector: :open_book: 总览 正面图 头部视图可视化给定转换器层中一个或多个注意头产生的注意模式。 它基于出色的。 尝试此 其中已预加载了头部视图。 头部视图支持Transformers库中的所有模型，包括： BERT： GPT-2： XLNet： RoBERTa： XLM： 阿尔伯特： DistilBERT： （和别的） 模型视图 模型视图提供了对模型所有层和头部的关注的鸟瞰图。 试用此 其中已预加载了模型视图。 模型视图支持Transformers库中的所有模型，包括： BERT： GPT2： XLNet： RoBERTa： XLM： 阿尔伯特： DistilBERT： （和别的） 神经元视图 神经元视图将查询和键向量中的单个神经元可视化，并

PyTextRank PyTextRank是一个Python实现TextRank作为，用于： 从文本文档中提取排名靠前的短语 对文本文档进行低成本的提取摘要 帮助推断从非结构化文本到结构化数据的链接 背景 与的更普遍用法相比， PyTextRank的目标之一是（最终）为提供支持。 这些方法可以互补的方式一起使用，以改善总体结果。 图算法的引入-特别是-为集成其他技术以增强执行的自然语言工作提供了更加灵活和强大的基础。 此处的实体链接方面仍然是计划中的后续版本，正在进行中。 在内部PyTextRank构造一个引理图以表示候选短语（例如，无法识别的实体）及其支持语言之间的链接。 一般而言，在短语排名之前丰富该图的任何方法都将倾向于改善结果。 丰富引理图的可能方法包括共和，以及在一般情况下利用知识图。 例如， 和都提供了推断实体之间链接的方法，并且可以将特定目的的知识图应用于特定的用例。 即使在文本中链接不是明确的情况下，这些也可以帮助丰富引理图。 考虑一段用不同的句子提到cats和kittens的段落：这两个名词之间存在隐含的语义关系，因为外kitten是外cat -因此可以在它

句子 这个存储库包含一个 R 包，它是一个围绕句子 C++ 库的 Rcpp 包装器 句子是一个无监督的分词器，它允许使用字节对编码和 Unigrams 执行文本分词 它基于论文SentencePiece: A simple and languagedependent subword tokenizer and detokenizer for Neural Text Processing [ ] 句子 C++ 代码可从。 这个包目前包含版本 v0.1.84 这个 R 包具有与 R 包类似的功能 特征 R 包允许您 构建字节对编码 (BPE)、Unigram、Char 或 Word 模型 应用模型对文本进行编码 应用模型将 id 解码回文本 下载基于维基百科的预训练句子模型 安装 对于普通用户，从本地 CRAN 镜像install.packages("sentencepiece")安装包

BERT的最好的朋友。 安装 Ernie需要Python 3.6或更高版本。 pip install ernie 微调 句子分类 from ernie import SentenceClassifier , Models import pandas as pd tuples = [( "This is a positive example. I'm very happy today." , 1 ), ( "This is a negative sentence. Everything was wrong today at work." , 0 )] df = pd . D

书籍描述： 使用Python使用问题解决方法实现自然语言处理应用程序。这本书有许多编码练习，将帮助您快速部署自然语言处理技术，如文本分类、部分语音识别、主题建模、文本摘要、文本生成、实体提取和情感分析。 自然语言处理配方首先提供清洗和预处理文本数据的解决方案，以及使用高级算法分析文本数据的方法。您将看到文本语义和句法分析的实际应用，以及涉及文本规范化、高级预处理、pos标记和情感分析的复杂自然语言处理方法。您还将学习机器学习和自然语言处理中的深度学习的各种应用。 通过使用本书中的配方，您将拥有一个解决方案工具箱，可以应用于现实世界中您自己的项目，使您的开发时间更快、更高效。