THUMT：神经机器翻译的开源工具包 内容 介绍 机器翻译是一种自然语言处理任务，旨在自动使用计算机翻译自然语言。 最近几年见证了端到端神经机器翻译的飞速发展，这已成为实际MT系统中的新主流方法。 THUMT是由开发的用于神经机器翻译的开源工具包。 THUMT的网站是： ://thumt.thunlp.org/。 在线演示 THUMT的在线演示可从。 涉及的语言包括古代汉语，阿拉伯语，中文，英语，法语，德语，印尼语，日语，葡萄牙语，俄语和西班牙语。 实作 THUMT当前具有三个主要实现： ：与开发的新实现。 它实现了Transformer模型（ Transformer ）（ ）。

efficiency_densenet_pytorch DenseNets的PyTorch> = 1.0实现，已优化以节省GPU内存。 最近更新 现在可以在PyTorch 1.0上使用！ 它使用检查点功能，使此代码更有效！！！ 动机 虽然DenseNets在深度学习框架中很容易实现，但大多数实现（例如）往往需要大量内存。 特别是，通过批处理规范化和串联操作生成的中间特征图的数量随着网络深度的增加而平方增长。 值得强调的是，这不是DenseNets固有的属性，而是实现的属性。 此实现使用一种新的策略来减少DenseNets的内存消耗。 我们使用来计算Batch Norm和串联特征图。 这些中

Node2Vec node2vec算法Aditya Grover，Jure Leskovec和Vid Kocijan的Python3实现。 安装 pip install node2vec 用法 import networkx as nx from node2vec import Node2Vec # Create a graph graph = nx . fast_gnp_random_graph ( n = 100 , p = 0.5 ) # Precompute probabilities and generate walks - **ON WINDOWS ONLY WORKS

彩虹 Rainbow：结合深度强化学习的改进 。 结果和预先训练的模型可以在找到。 DQN Double DQN 优先体验重播 决斗网络体系结构 多步骤退货 分布式RL 吵网 使用默认参数运行原始Rainbow： python main.py 可以使用以下选项运行数据有效的Rainbow （请注意，实际上，此处通过手动设置内存容量与最大时间步数相同来实现“无界”内存）： python main.py --target-update 2000 \ --T-max 100000 \ --learn-star

可变形卷积的PyTorch实现 魏欧阳@巴斯德研究所 感谢Felix Lau的Keras / TensorFlow实现： （ ） 待办事项清单 在pytorch中实现偏移量映射 所有测试通过 变形卷积模块 微调可变形卷积模块 大规模mnist演示 使用缓存的网格数组提高速度 使用pytorch（而不是Keras）的MNIST数据集 支持不同宽度和高度的输入图像 张量流实施基准 可变形卷积网络 戴继峰，齐浩志，熊玉文，李毅，张国栋，韩寒和魏一辰。 2017年。“可变形卷积网络”。 arXiv [cs.CV]。 arXiv。 以下动画是由Felix Lau（及其tenso

PyTorch中的语义分割 此仓库包含一个PyTorch，用于不同数据集的不同语义分割模型的实现。 要求 在运行脚本之前，需要先安装PyTorch和Torchvision，以及用于数据预处理的PIL和opencv和用于显示培训进度的tqdm 。 支持PyTorch v1.1（使用新的受支持的Tensoboard）； 可以使用更早期的版本，但不要使用tensoboard，而要使用tensoboardX。 pip install -r requirements.txt 或本地安装 pip install --user -r requirements.txt 主要特点 清晰易用的结构， 一个j

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