中文生成式预训练模型 NLU的预训练模型大家应该见过不少了，NLG的预训练资源还比较少。这里汇总一些中文的生成式预训练模型，给出bert4keras下的加载方式。 模型列表 GPT 以GPT为代表的单向语言模型预训练。 GPT Base（NEZHE-GEN） 链接： 大小：1亿参数，体积390M 说明：结构跟BERT Base一致，通用语料训练，官方github提供了下载链接，不过保存了多余的meta导致体积过大，笔者对原始权重进行了转换，可以从笔者提供的链接（，验证码xynn）下载，结果跟原版一样，体积更小。 使用： CDial-GPT 链接： （原版链接： ） 大小：1亿参数，体积350M 说明：模型为GPT模型，使用闲聊型对话语料训练。原版为pytorch模型，笔者对原始权重进行了转换。 使用： GPT2-ML 链接： 大小：15亿参数，体积5.3G 说明：基于BERT代码修改，跟最

中文医学NLP公开资源整理：术语集/语料库/词向量/预训练模型/知识图谱/命名实体识别/QA/信息抽取/模型/论文/etc

MobileNet_V2_SSD网络的VOC预训练模型

MobileNet_V1_SSD网络的VOC预训练模型

深语音 使用来自Deepspeech的预训练模型将语音演示为文本 pyaudio的Windows问题 pip install pipwin pipwin install pyaudio

当神经网络具有许多参数时，它们的效果最佳，这使它们成为功能强大的函数逼近器。但是，这意味着必须对非常大的数据集进行训练。由于从头开始训练模型可能是一个非常耗费计算量的过程，需要几天甚至几周的时间，因此，这里提供了各种预先训练的模型供大家下载！

有能力和有耐心的可以去这里下载: https://download.pytorch.org/models/resnet101-5d3b4d8f.pth

视觉变压器-火炬 视觉变压器的Pytorch实现。 提供了预先训练的pytorch权重，这些权重是从原始jax /亚麻权重转换而来的。 这是和的项目。 介绍 Pytorch实施的论文 。 我们提供从预训练的jax /亚麻模型转换而来的预训练的pytorch权重。 我们还提供微调和评估脚本。 获得了与类似的结果。 安装 创建环境： conda create --name vit --file requirements.txt conda activate vit 可用型号 我们提供，这些是从原始jax / flax wieghts转换而来的。 您可以下载它们并将文件放在“ weights / pytorch”下以使用它们。 否则，您可以下载，并将这些帧放在“ weights / jax”下以使用它们。 我们将在线为您转换权重。 数据集 当前支持三个数据集：ImageNet2012，CI

pytorch预训练模型alexnet，pytorch预训练模型alexnet，pytorch预训练模型alexnet，pytorch预训练模型alexnet，pytorch预训练模型alexnet，pytorch预训练模型alexnet，pytorch预训练模型alexnet，

在解决一个任务时，我会选择加载预训练模型并逐步fine-tune。比如，分类任务中，优异的深度学习网络有很多。 ResNet, VGG, Xception等等… 并且这些模型参数已经在imagenet数据集中训练的很好了，可以直接拿过来用。 根据自己的任务，训练一下最后的分类层即可得到比较好的结果。此时，就需要“冻结”预训练模型的所有层，即这些层的权重永不会更新。 以Xception为例： 加载预训练模型： from tensorflow.python.keras.applications import Xception model = Sequential() model.add(Xcep