使用方法；
from transformers import AutoTokenizer
from transformers import TFAutoModelForSeq2SeqLM
pre_trained_model_path = './t5/'
model = TFAutoModelForSeq2SeqLM.from_pretrained(pre_trained_model_path)
tokenizer = AutoTokenizer.from_pretrained(pre_trained_model_path)
模型加载完毕之后就可以对接下游任务或用自己的数据继续对模型进行微调。
2021-06-21 14:11:08
789.27MB
1
yoloV5预训练模型，官方给的是谷歌网盘下载地址，下载速度较慢，压缩包包含yolov3-spp.pt，yolov5l.pt，yolov5m.pt，yolov5s.pt，yolov5x.pt
2021-06-18 11:24:27
846.34MB
1
中文全词覆盖（Whole Word Masking）BERT的预训练模型
2021-06-17 17:13:24
15.42MB
1
ultralytics / yolov5，官方预训练权重yolov5s.pt，从drive.google下载下来的
2021-06-15 16:42:53
27.18MB
1
如何在pytorch中使用word2vec训练好的词向量
torch.nn.Embedding()
这个方法是在pytorch中将词向量和词对应起来的一个方法. 一般情况下,如果我们直接使用下面的这种:
self.embedding = torch.nn.Embedding(num_embeddings=vocab_size, embedding_dim=embeding_dim)
num_embeddings=vocab_size 表示词汇量的大小
embedding_dim=embeding_dim 表示词向量的维度
这种情况下, 因为没有指定训练好的词向量, 所以embedding
2021-06-13 12:10:25
60KB
1
复现yolov3所需的各种预训练权重，最重要的是yolov3.tiny.weight.15这个文件，看了很多人发布的资源都是要积分的，这里免费拿走不写
2021-06-12 12:05:53
278.68MB
1
中文单词向量
该项目提供了100多个中文单词向量（嵌入），它们经过不同表示（密集和稀疏），上下文特征（单词，ngram，字符等）和语料库的训练。 可以轻松获得具有不同属性的预训练向量，并将其用于下游任务。
此外，我们提供了一个中文类比推理数据集CA8和一个评估工具包，供用户评估其词向量的质量。
参考
如果使用这些嵌入和CA8数据集，请引用该论文。
沉力，赵哲，胡仁芬，李文思，刘涛，杜小勇， ，ACL 2018。
@InProceedings{P18-2023,
author = "Li, Shen
and Zhao, Zhe
and Hu, Renfen
and Li, Wensi
and Liu, Tao
and Du, Xiaoyong",
title = "Analogical Reasoning on Chinese M
2021-06-03 19:26:17
354KB
1