订阅号：51行业报告

误码率测试（BERT）视频演示(8分钟,中文)avi,学习如何使用NI数字化波形发生器/分析仪来进行一个简单逻辑设备的误码率测试。

Google官方中文Bert预训练模型，当前模型为bert base模型，省去爬梯下载的烦恼，需要其他模型的可以私信

AI基础：一文看懂BERT.pdf

模型压缩方法与bert压缩的论文 ,具体讲解： [8.1 模型压缩的方法](https://blog.csdn.net/qq_43940950/article/details/116901300?spm=1001.2014.3001.5502) [8.2 知识蒸馏 讲解 意境级](https://blog.csdn.net/qq_43940950/article/details/116901334) [8.3 bert的蒸馏讲解 意境级](https://blog.csdn.net/qq_43940950/article/details/116901929) [8.4 bert的压缩讲解 意境级 ](https://blog.csdn.net/qq_43940950/article/details/116901957)

闲聊机器人（chatbot），BERT句向量-相似度（Sentence Similarity），文本分类（Text classify） 数据增强（text augment enhance），同义句同义词生成，句子主干提取（mainpart），中文汉语短文本相似度，文本特征工程，keras-http-service调用

This repo contains a PyTorch implementation of a pretrained BERT model for multi-label text classification.

基于BERT的多语言文本情感分析 介绍 社交媒体广泛用于现代人的交流中，推特在英语国家中广泛用于表达情感。 微博在中国被广泛用作同一工具。 他们两个都通过几段文字表达了情感。 有必要设计一种可以对多种语言进行情感分类的系统。 对文本进行情感分类的困难如下。 首先，具有讽刺意味的是，例如交通警察因未付停车费而将他的驾照吊销了。 其次，在与域相关的问题中，例如，我的计算机的冷却系统声音非常大，这是负面的。 可以肯定地说我家的声音很大。 第三，网络流行词也将影响情绪分析，意义在标记化后将完全改变。 为了避免副作用，必须添加人工干预。 第四，文本相对简短，有时会有所遗漏，所有这些都会导致歧义或参考错误。 传统的将统计和规则结合起来的方法不能很好地解决这些难题。 深度学习强大的特征提取能力可以很好地解决这些问题。 Google在2018年10月提出了Bert模型[1]。 该模型不仅集成了LSTM

微调BERT用于提取摘要的论文代码

基于keras事件抽取的bert模型文件。用于读取模型和模型对应的预训练文件。bert_config.json是超参数文件，bert_model.ckpt是预训练权重文件