采用采样法和长除法产生m序列，并根据所产生的m序列得到Gold序列和Kasami序列小集
2021-11-05 21:23:03
1.05MB
1
注意神经网络的序列到序列学习
更新：检出的beta版本，完全支持seq2seq-attn的功能完全重写。 Seq2seq-attn将继续受支持，但是新功能和优化将集中在新代码库上。
在编码器-解码器为LSTM的情况下，以（可选）注意标准序列到序列模型的实现。 编码器可以是双向LSTM。 此外，还可以选择通过运行卷积神经网络，然后运行基于字符嵌入的用作输入）来使用字符（而不是输入单词嵌入）。
注意模型是从，Luong等。 EMNLP2015。我们将全球通用注意力模型与本文中的输入反馈方法结合使用。 输入进纸是可选的，可以关闭。
角色模型来自“ ，Kim等。 AAAI 2016年。
在基线模型之上还有很多其他选项，这主要归功于的出色。 具体来说，有一些功能可以实现：
。 Luong等人，EMNLP 2015。
Costa-Jussa和Fonollosa，ACL，2016年。
。
2021-10-26 10:05:11
2.51MB
1
ApE，一个小软件。可以编辑核酸，蛋白质氨基酸序列的软件，还具有序列翻译，翻转，创建质粒文件等等功能。
2021-10-08 14:32:20
10.25MB
1
1.对象序列化的介绍
(1).NET支持对象序列化的几种方式
二进制序列化：对象序列化之后是二进制形式的，通过BinaryFormatter类来实现的，这个类位于System.Runtime.Serialization.Formatters.Binary命名空间下。
SOAP序列化：对象序列化之后的结果符合SOAP协议，也就是可以通过SOAP 协议传输，通过System.Runtime.Serialization.Formatters.Soap命名空间下的SoapFormatter类来实现的。
XML序列化：对象序列化之后的结果是XML形式的，通过XmlSerializer 类来实现的，这个类位于System.Xml.Serialization命名空间下。XML序列化不能序列化私有数据。
2021-09-29 14:20:17
46KB
1
Seq2Seq-PyTorch
使用PyTorch的序列到序列实现
安装
克隆项目，进入项目目录并执行
python setup.py install
或者
pip install ./
或简单地复制源代码。
推荐使用pip install ./ ，因为您可以先激活虚拟环境，然后再在该环境中安装软件包，而不会影响其他环境。
用法
使用之前，将seq2seq文件夹作为软件包安装或复制到项目目录。 看
一些功能
Trainer支持，尽管内存有限，但可以实现更大（等效）的批处理大小。
去做
支持光束搜索。
修理trainer 。 保存培训检查点时， trainer不会保存最佳时期模型。 因此，如果继续训练，则完成后保存的最佳时期实际上不是整个训练阶段的最佳时期，而是检查点之后的最佳时期。 （不知道培训师是否应在每个检查点保存最好的模型，这会使检查点文件变大。）
（不确定是否有必要。）
2021-09-14 16:23:17
13.11MB
1
seq2seq
seq2seq-pytorch是一个框架，用于在实现的基于注意力的序列到序列模型。 该框架具有用于seq2seq模型，训练，推理，检查点等的模块化和可扩展组件。
介绍
Seq2seq将一个序列转换为另一序列。 它通过使用递归神经网络（RNN）或更经常使用LSTM或GRU来避免梯度消失的问题。 每个项目的上下文是上一步的输出。 主要组件是一个编码器和一个解码器网络。 编码器将每个项目转换为包含该项目及其上下文的相应隐藏向量。 解码器使用先前的输出作为输入上下文来逆转该过程，将向量转换为输出项。
安装
此项目建议使用Python 3.6或更高版本。 我建议为此项目创建一个新的虚拟环境（使用virtualenv或conda）。
先决条件
Numpy： pip install numpy （有关安装Numpy的问题，请参阅）。
PyTorch：请访问以在您的环境中安装该版本。
2021-07-15 21:55:41
13.09MB
1