该存储库包含大规模预训练对话响应生成模型的源代码和训练模型。 人工评估结果表明，在单圈对话图灵测试下，DialoGPT产生的响应与人工响应质量相当。 最先进的大规模预训练响应生成模型（DialoGPT）此存储库包含大规模预训练对话响应生成模型的源代码和训练模型。 人工评估结果表明，在单圈对话图灵测试下，DialoGPT产生的响应与人工响应质量相当。 该存储库基于拥抱面pytorch-transformer和OpenAI GPT-2，包含数据提取脚本，模型训练代码

Wav2lip预训练模型，包含人脸检测模型、wav2lip生成模型、wav2lip_gan生成模型、wav2lip判别模型等，使用此模型通过音频驱动视频，生成最终的嘴型与语音的匹配

本项目使用 GPT2-Chinese 的模型将wiki中文的数据导入模型训练了通用模型。 将GPT2-chitchat的对话任务稍作修改来适用于中文摘要任务。 将通用模型的权重应用在摘要问题上进行进一步训练的。 GPT2-Chinese 参考：https://github.com/Morizeyao/GPT2-Chinese GPT2-chitchat参考：https://link.zhihu.com/?target=https%3A//github.com/yangjianxin1/GPT2-chitchat 项目工作流程详见：https://zhuanlan.zhihu.com/p/113869509 本项目为GPT2-chitchat稍作修改的内容，在此也感谢大佬的分享。 由于NLPCC的摘要数据为新闻语料，涉及话题和内容较多，应用在垂直领域下效果会好一些。

斯坦福大学深度生成模型cs236 全部pdf课件

115页Slides带你领略深度生成模型全貌(带书签），英文报告 ijcai_ecai_tutorial，入门深度生成模型很好的参考资料。

基于python的GPT2中文文本生成模型项目实现

图像描述是一个有挑战性的人工智能问题，涉及为给定图像生成文本描述。字幕生成是一个有挑战性的人工智能问题，涉及为给定图像生成文本描述。一般图像描述或字幕生成需要使用计算机视觉方法来了解图像内容，也需要自然语言处理模型将对图像的理解转换成正确顺序的文字。近期，深度学习方法在该问题的多个示例上获得了顶尖结果。深度学习方法在字幕生成问题上展现了顶尖的结果。这些方法最令人印象深刻的地方：给定一个图像，我们无需复杂的数据准备和特殊设计的流程，就可以使用端到端的方式预测字幕。本教程将介绍如何从头开发能生成图像字幕的深度学习模型。完成本教程，你将学会：该教程共分为6部分：1.图像和字幕数据集2.准备图像数据3

test1为aadl项目 OsateFeature2、OsatePlugin2、OsateSite2为eclipse开发项目

Delphi开发中，对于数据库的模型创建向来都比较繁琐，费时的，究其原因就是delphi没有像C#那样针对数据库的模型自动创建工具，为了提高Delphi软件的开发效率，作责开发了这个软件，以供广大delphi开发人员使用，本软件属于本人原创且使用完全免费，如果你愿意，也可以给本人一些资金支持，以帮助我继续完善本软件

像素循环神经网络 Pixel recurrent neural networks (2016) 作者 A. Oord et al. 训练GANs的改善性技巧 Improved techniques for training GANs (2016) 作者T. Salimans et al. 摘要：近年来，利用卷积网络（CNN）的监督学习已经在计算机视觉应用中被广泛采用。 相比之下，使用CNN的无监督学习得到的关注较少。 在这项工作中，我们希望帮助弥合CNN的监督学习和无监督学习的成功之间的差距。 我们引入一类称为深层卷积生成对抗网络（DCGAN）的CNN，它们具有某些架构约束，已显示出它们是无监督学习的强有力的候选者。 对各种图像数据集的训练，我们展示了令人信服的证据，表明我们的深层卷积对抗组件从发生器和鉴别器中的对象到场景里面都学习了表征层次。此外，我们使用学习到的特性去完成新任务 – 这显示了它们像一般图像表征一样具有适用性。 使用深度卷积生成对抗网络进行无监督表征学习 Unsupervised representation learning with deep convolutional generative adversarial networks (2015) 作者A. Radford et al. DRAW：一个用于图像生成的循环神经网络 DRAW: A recurrent neural network for image generation (2015) 作者K. Gregor et al. 生成对抗网络 Generative adversarial nets (2014) 作者I. Goodfellow et al. 自编码变量贝叶斯 Auto-encoding variational Bayes (2013) 作者D. Kingma and M. Welling 用大规模无监督学习构建高水平特征 Building high-level features using large scale unsupervised learning (2013) 作者Q. Le et al.