基于seq2seq模型的简单对话系统的tf实现，具有embedding、attention、beam_search等功能，数据集是Cornell Movie Dialogs

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。

| 简体中文 pycorrector 中文文本纠错工具。音似、形似错字（或变体字）纠正，可用于中文拼音、笔画输入法的错误纠正。python3.6开发。 pycorrector依据语言模型检测错别字位置，通过拼音音似特征、笔画五笔编辑距离特征及语言模型困惑度特征纠正错别字。 Guide Question 中文文本纠错任务，常见错误类型包括： 谐音字词，如 配副眼睛-配副眼镜 混淆音字词，如 流浪织女-牛郎织女 字词顺序颠倒，如 伍迪艾伦-艾伦伍迪 字词补全，如 爱有天意-假如爱有天意 形似字错误，如 高梁-高粱 中文拼音全拼，如 xingfu-幸福 中文拼音缩写，如 sz-深圳 语法错误，如 想象难以-难以想象 当然，针对不同业务场景，这些问题并不一定全部存在，比如输入法中需要处理前四种，搜索引擎需要处理所有类型，语音识别后文本纠错只需要处理前两种， 其中'形似字错误'主要针对五笔或者笔画手

这是一个实现人机对话模型的简单例子，相关说明在文档中都有，代码包含详细注释。运行环境可参看文章（https://blog.csdn.net/qq_26564783/article/details/103031323）

深度系列 用于时间序列预测的深度学习模型。 楷模 Seq2Seq /注意 WaveNet 变压器/变压器 快速开始 from deepseries . models import Wave2Wave , RNN2RNN from deepseries . train import Learner from deepseries . data import Value , create_seq2seq_data_loader , forward_split from deepseries . nn import RMSE , MSE import deepseries . functional as F import numpy as np import torch batch_size = 16 enc_len = 36 dec_len = 12 series_len = 1000

时间序列预测 该存储库实现了时间序列预测的常用方法，尤其是TensorFlow2中的深度学习方法。 如果您有更好的主意，欢迎您贡献力量，只需创建PR。 如有任何疑问，请随时提出问题。 正在进行的项目，我将继续进行改进，因此您可能希望观看/加注此仓库以进行重新访问。 神经网络 波浪网 变压器 网络 拍子 甘 用法 安装所需的库 $ pip install -r requirements.txt 如有必要，下载数据 $ bash ./data/download_passenger.sh 训练模型如果需要，请设置custom_model_params （请参阅./deepts/models/

用于语音识别的seq2seq模型的实现。 架构类似于Listen，Attend和Spell。

seq2seq 这是Tensorflow 2的seq2seq模型结构。 有三种模型架构，RNNSeq2Seq，RNNSeq2SeqWithAttention，TransformerSeq2Seq。 该存储库包含训练，评估，推断，转换为保存的模型格式脚本。 火车 例子 您可以通过运行以下脚本开始培训 $ python -m scripts.train \ --dataset-path " data/*.txt " \ --batch-size 2048 --dev-batch-size 2048 \ --epoch 90 --steps-per-epoch 250 --auto-encoding \ --learning-rate 2e-4 \ --device gpu \ --tensorboard-update-freq 50 --model-name Transformer

迷你seq2seq 在PyTorch中注意神经机器翻译的最小Seq2Seq模型。 此实现重点在于以下功能： 用于其他项目的模块化结构 最少的代码可读性 充分利用批次和GPU。 此实现依赖于来最大程度地减少数据集管理和预处理部分。 型号说明 编码器：双向GRU 解码器：具有注意机制的GRU 注意： 要求 GPU和CUDA Python3 火炬 火炬文本 空间 麻木 智慧（可选） 通过这样做下载令牌生成器： python -m spacy download de python -m spacy download en 参考文献 基于以下实现

tensorflow2.0之seq2seq+attention模型和实例