顺序对比学习 这是“ SeCo：探索无监督表示学习的序列监督” [AAAI 2021]的实现。 原始论文可以在上找到。 要求 火炬 火炬视觉 线性 训练 此实现仅支持multi-gpu ， DistributedDataParallel训练，该训练更快，更简单； 不支持single-gpu或DataParallel培训。 要对初始化的ResNet-50模型进行无监督的预训练，请将权重下载到pretrain文件夹中，然后运行： bash main_train.sh 线性分类评估 使用预先训练的模型，要在冻结的/权重上训练监督的线性SVM分类器，请将的python接口放入liblinear文件夹中，然后运行： bash main_val.sh 引文 如果您发现此代码对您的研究有用，请引用我们的论文： @inproceedings{yao2021seco, title={SeC

针对m序列伪随机码博文的Matlab代码（https://blog.csdn.net/flypassion/article/details/101617144）。

在unity3D中使用此插件播放序列帧，可以自由控制序列帧的播放，暂停，停止播放等功能，方便开发者在unity3D中快速开发程序.

自然语言处理方向机器翻译的经典论文之一。

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

BiLSTM + CRF用于顺序标记任务 :rocket: :rocket: :rocket: BiLSTM + CRF模型的TensorFlow实现，用于序列标记任务。 项目特色 基于Tensorflow API。 高度可扩展; 一切都是可配置的。 模块化，结构清晰。 对初学者非常友好。 容易DIY。 任务与模型 Sequential labeling是对NLP中的序列预测任务进行建模的一种典型方法。 常见的顺序标记任务包括例如 词性（POS）标记， 块， 命名实体识别（NER） 标点恢复 句子边界检测 范围检测 中文分词（CWG） ， 语义角色标签（SRL） 口语理解能力 事件提取 等等... 以命名实体识别（NER）任务为例： Stanford University located at California . B-ORG I-ORG O O B-LOC O 在这里，将提取两个实体， Stanford University和California 。 特别是，文本中的每个token都用相应的label 。 例如

包含UUID,snowflake,数据库,redis,zookeeper等五个类别六中方案,包含作者自己实现的基于zk的两种方案,附带有测试方法, 转载请注明出处,作者 王万彬

有许多技术用于处理OFDM系统中高PAPR的问题。 一种有效的方法是部分传输序列。 模拟了 QPSK 调制的 64 子带 OFDM 系统。 此外，还有一个包含 100000 个此类 OFDM 符号的 .mat 文件。

PyTorch中的LSTM-CRF 用于序列标记的双向LSTM-CRF的最小PyTorch（1.7.1）实现。 支持的功能： CUDA的小批量培训 嵌入层中的查找，CNN，RNN和/或自我关注 分层递归编码（HRE） 条件随机场（CRF）的PyTorch实现 CRF损失的矢量化计算 矢量化维特比解码 用法 培训数据的格式应如下： token/tag token/tag token/tag ... token/tag token/tag token/tag ... ... 有关更多详细信息，请参见每个子目录中的README.md。 准备数据： python3 prepare.py training_data 训练： python3 train.py model char_to_idx word_to_idx tag_to_idx training_data.csv (v

使用 PyTorch 框架使用 CRNN 和 CTC 损失进行多位序列识别 训练结果 测试结果