基于Keras实现的声纹识别预训练模型，大数据训练的模型，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Keras

使用yolo v3 预训练模型，通常用在自己专业训练集训练，采用darknet53作为boneback进行训练。

中文XLNet预训练模型，该版本是XLNet-base，12-layer, 768-hidden, 12-heads, 117M parameters。

使用预训练好的InceptionV3模型对自己的数据进行分类

MNIST / CIFAR10的预训练GAN，VAE +分类器 在pytorch中使用GAN / VAE建模的简单起点。 包括模型类定义+培训脚本 包括笔记本电脑，其中显示了如何加载预训练的网络/如何使用它们 用pytorch 1.0+测试 生成与数据集图像大小相同的图像 mnist 使用基于的体系结构生成MNIST数据集（28x28）大小的图像。 训练了100个纪元。 重量。 数据样本 dcgan样本 样品 为了与不那么复杂的体系结构进行比较，我还在文件夹中包含了一个预训练的非卷积GAN，它基于代码（训练了300个纪元）。 我还基于在文件夹中包含了经过预训练的LeNet分类器，该分类器可实现99％的测试准确性。 cifar10 cifar10 gan来自pytorch示例回购，并实现了DCGAN论文。 它只需要很小的改动就可以生成大小为cifar10数据集（32x32x3）的

【导读】预训练模型是当下研究的热点，来自西电的研究人员发布《知识增强的预训练模型》，非常值得关注！ 预训练模型通过自监督学习方法在大规模文本语料库上学习上下文化的词表示，该方法经过微调后取得了良好的性能。然而，这些模型的健壮性差，且缺乏可解释性。带有知识注入的预训练模型(knowledge enhanced pre- training model, KEPTMs)具有深刻的理解和逻辑推理能力，并在一定程度上引入了可解释性。在这个综述中，我们提供了自然语言处理的KEPTMs的全面概述。首先介绍了预训练模型和知识表示学习的研究进展。然后我们从三个不同的角度对现有KEPTMs进行了系统的分类。最后，对KEPTMs的未来研究方向进行了展望。

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

传统的情感分析研究大多基于机器学习算法，此类方法依赖大量人工抽取的特征与领域知识。使用卷积神经网络自动学习文本的特征表示，进而判别文本的情感极性。为了解决情感分析中监督训练样本不足的问题，利用大规模弱监督数据来训练卷积神经网络。同时引入“预训练-微调”策略，先在弱监督数据集上对卷积神经网络进行预训练，然后使用监督数据集进行微调训练来克服弱监督数据中的噪声问题。在SemEval-2013 Twitter情感分析数据集上进行实验验证，结果表明由于引入了弱监督数据参与训练，有效增强了卷积神经网络学习情感语义的能力，从而提升了模型的准确性。

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