- 综合排序
- 最热优先
- 最新优先
- 来自专栏磐创AI技术团队的专栏
transformers示例
在新的虚拟环境中执行以下步骤： git clone https://github.com/huggingface/transformers cd transformers pip install . pip NoAns_f1": 84.0874684608915, "NoAns_total": 5945 } XNLI 基于脚本run_xnli.py(https://github.com/huggingface/transformers 与先前定义的超参数训练产生以下结果 ACC = 0.7093812375249501 MM-IMDB 基于脚本run_mmimdb.py(https://github.com/huggingface/transformers results: lexical_overlap: 0.199 subsequence: 0.0396 constituent: 0.118 原文链接：https://huggingface.co/transformers
1.8K10发布于 2020-03-31 - 来自专栏xiaosen
Sentence Transformers 教程！
Sentence Transformers专注于句子和文本嵌入，支持超过100种语言。 pip安装： pip install -U sentence-transformers conda安装： conda install -c conda-forge sentence-transformers 快速使用： from sentence_transformers import SentenceTransformer model = SentenceTransformer("all-MiniLM-L6 Cross Encoder (又名 reranker) 模型的用法与 Sentence Transformers 类似： from sentence_transformers.cross_encoder 相似度得分最高的文本对在语义上最相似 from sentence_transformers import SentenceTransformer model = SentenceTransformer
1.5K10编辑于 2024-09-24 - 来自专栏自然语言处理
nlp-with-transformers系列-03_剖析transformers模型
以这种方式产生的嵌入被称为语境化嵌入，并且早于ELMo等语言模型中Transformers的发明。语言模型中的Transformers，如ELMo。 注意，你需要点击左边的 "+"来激活注意力的可视化: from transformers import AutoTokenizer from bertviz.transformers_neuron_view 添加一个分类头 Transformers模型通常分为一个独立于任务的主体和一个特定于任务的头部。我们将在第四章看Transformers的设计模式时再次遇到这种模式。 见识 Transformers 正如你在本章中所看到的，Transformers模型有三种主要架构：编码器、解码器和编码器-解码器。 在这一节中，我们将对每个类中最重要的Transformers模型进行简要介绍。让我们先来看看Transformers的家族树。
55420编辑于 2023-08-25 - 来自专栏自然语言处理
nlp-with-transformers实战-01_transformers简介
为了理解Transformers的新颖之处，我们首先需要解释: 编码器-解码器框架 注意机制 迁移学习 在这一章中，我们将介绍支撑Transformers普遍存在的核心概念，参观一些它们擅长的任务， 让我们先来探讨一下编码器-解码器的框架和Transformers兴起之前的架构。 编码器-解码器框架 在Transformers模型之前，LSTM等递归架构是NLP中最先进的技术。 这在图1-3中对一对RNN进行了说明，英语句子 "Transformers are great!" 随着Transformers的发布，一个跨越50多个架构的统一的API被逐步建立起来。 使用Transformers的主要挑战 小结 在下面的章节中，你将学习如何使Transformers适应广泛的使用情况，如建立一个文本分类器，或一个用于生产的轻量级模型，甚至从头开始训练一个语言模型
69320编辑于 2022-03-30 - 来自专栏857-Bigdata
【nlp-with-transformers】|Transformers中的generate函数解析
接下来带来今天的核心内容，transformers中的generate函数解析工作的介绍。 from transformers.generation import GenerationConfig 在这个参数下，我们可以看到生成配置的参数都有哪些。 List[List[int]]]`, this triggers a [disjunctive constraint](https://github.com/huggingface/transformers
2.8K30编辑于 2023-09-18 - 来自专栏JadePeng的技术博客
Transformers Optimum 使用
介绍 Optimum是Transformers的扩展，它提供了一组性能优化工具，以最高效率在目标硬件上训练和运行模型。 将transformer模型导出为onnx 可以使用ORTModelForXXX 加载transformers 模型，注意如果模型来至于Transformers，需要加上from_transformers =true from optimum.onnxruntime import ORTModelForSequenceClassification from transformers import AutoTokenizer from optimum.onnxruntime import ORTModelForSequenceClassification from transformers import pipeline, from transformers import AutoTokenizer from optimum.onnxruntime import ORTModelForQuestionAnswering from
1.4K41编辑于 2022-12-09 - 来自专栏信数据得永生
精通 Transformers（一）
在整本书中，我们将涉及这些自然语言处理方法，并且能够轻松使用来自 Hugging Face 社区的 Transformers 库与Transformers模型进行交互。 我们将看到，借助Transformers的帮助，我们可以取得最先进的结果。 本书涵盖的内容 第一章，从词袋模型到Transformers，简要介绍了自然语言处理的历史，对比了传统方法、深度学习模型（如 CNN、RNN 和 LSTM）与Transformers模型。 多亏了Transformers统一的 API，就像上面的 Albert 模型管道一样，我们将 RoBERTa 模型初始化如下： >>> from Transformers import RobertaConfig 现在，我们准备研究用于 Transformers 的分词方法。
1K00编辑于 2024-05-24 - 来自专栏AI科技评论
Transformers 研究指南
作者 | Derrick Mwiti 编译 | 栗峰 排版 | 唐里 本文讲述Transformers的最新研究进展，由数据科学家 Derrick Mwiti写作。 原文标题：Research Guide for Transformers。AI科技评论编译如下： Transformers是神经机器翻译中使用的一种神经网络，它主要涉及将输入序列转换为输出序列的任务。 这篇指南将重点介绍Transformers是如何在深度学习的帮助下解决这个问题的。 Universal Transformers (ICLR 2019) 这篇论文的作者提出的通用Transformers (UT)，是一种并行性自注意力递归序列模型，可以将其转换为Transformer模型的泛化 通用Transformers是一种编解码结构。编码器和解码器的工作原理是将递归神经网络应用于输入和输出序列的每个位置的表示。递归神经网络不会在序列中重复出现。
1.1K20发布于 2019-10-15 - 来自专栏python前行者
python transformers用法
@[toc]transformers库是使用DeepSeek和其他预训练模型的强大工具！ 让我为您详细介绍用法：1.安装transformers展开代码语言：BashAI代码解释pipinstalltransformers#如果需要GPU支持pipinstalltransformers[torch
18010编辑于 2025-12-25 - 来自专栏深度学习自然语言处理
Transformers Assemble（PART I）
OK，来看看今天的 Transformers： 「Bi-BloSAN from UTS，ICLR2018」 「Universal Transformers from UVA&Google，ICLR2019 1.4 Reference Code Here[2] UNIVERSAL TRANSFORMERS[3] 上一篇论文针对的是 Transformer 内存占用大、对长序列输入不友好的缺陷，除此之外，这篇论文指出其还存在着以下几个问题 https://arxiv.org/abs/1804.00857 [2] Code Here: https://github.com/taoshen58/BiBloSA [3] UNIVERSAL TRANSFORMERS
58520发布于 2020-02-25 - 来自专栏NewBeeNLP
Transformers Assemble（PART II）
from FAIR，ACL2019」 「All-Attention from FAIR」 「PKM from FAIR，NeurIPS2019」 Adaptive Attention Span in Transformers Reference Code Here[4] Making Transformer networks simpler and more efficient[5] Adaptive Attention Span in Transformers 本文参考资料 [1] Adaptive Attention Span in Transformers: https://www.aclweb.org/anthology/P19-1032/ [2] Self-attention ai.facebook.com/blog/making-transformer-networks-simpler-and-more-efficient/ [6] Adaptive Attention Span in Transformers
94720发布于 2020-08-26 - 来自专栏NewBeeNLP
Transformers Assemble（PART I）
OK，来看看今天的 Transformers： 「Bi-BloSAN from UTS，ICLR2018」 「Universal Transformers from UVA&Google，ICLR2019 1.4 Reference Code Here[2] UNIVERSAL TRANSFORMERS[3] 上一篇论文针对的是 Transformer 内存占用大、对长序列输入不友好的缺陷，除此之外，这篇论文指出其还存在着以下几个问题 https://arxiv.org/abs/1804.00857 [2] Code Here: https://github.com/taoshen58/BiBloSA [3] UNIVERSAL TRANSFORMERS
58610发布于 2020-08-26 - 来自专栏磐创AI技术团队的专栏
transformers之Jupyter Notebooks
第一个Notebooks (Comparing-TF-and-PT-models.ipynb:https://github.com/huggingface/transformers/blob/master 第二个Notebooks (Comparing-TF-and-PT-models-SQuAD.ipynb:https://github.com/huggingface/transformers/blob 第三个Notebooks (Comparing-TF-and-PT-models-MLM-NSP.ipynb:https://github.com/huggingface/transformers/blob 原文链接：https://huggingface.co/transformers/notebooks.html
76440发布于 2020-04-02 - 来自专栏浪浪山下那个村
Dialogue Transformers 论文详解
Transformers 近年来，Transformers结构已经取代了递归神经网络作为训练语言模型的标准，有Transformer XL[9]和GPT等模型-2在各种语料库中产生许多困惑和产生陈述。 此外,Transformers对处理异常的输入更为稳健. 由于Transformers选择序列中的哪些元素用于在每个步骤生成编码器状态，我们假设它可能是处理对话历史的有用架构。 相关工作 开放领域的Transformers Henderson等人在Reddit的一个大数据集上训练答案选择模型，对话上下文和答案都是用一个转换器编码的，它们表明这些架构可以在一个大的、多样的数据集上预先训练 Dinan等人使用了类似的方法，使用transformers对对话上下文和背景知识进行编码，以研究基于开放域的对话。 未完待续 实验结果 参考文档 论文:Dialogue Transformers
79730编辑于 2022-06-17 - 来自专栏NewBeeNLP
Transformers Assemble（PART IV）
先来看看都有哪些： 「Sparse Transformer from OpenAI，NAACL 2019」 「Adaptively Sparse Transformers，EMNLP2019」 「Explcit Sparse Transformer from PKU」 Generating Long Sequences with Sparse Transformers[1] 来自 OpenAI 的工作，关注于原始 Mixed-precision training」 reference Code Here[3] openai sparse-transformer blog[4] Adaptively Sparse Transformers [5] 这篇论文也是对 vanilla Transformer 的改进，提出了 Adaptively Sparse Transformers （AST），优化的两个关键就在其名字中： 「Sparse：」 本文参考资料 [1] Generating Long Sequences with Sparse Transformers: https://arxiv.org/abs/1904.10509 [2] Identity
1.1K10发布于 2020-08-26 - 来自专栏GiantPandaCV
浅谈CSwin-Transformers
由于transformers在计算attention的时候是采用mutilhead的，为了保持计算量，本文对head一分为2，一部分用于行attention，一部分用于列attention。 在Transformers的attention中，Q实际上起指导的作用，K则是用来做token之间的交互，那么对于一个 的矩阵，会得到一个 的attention map，意义就是在Q的指导下得到的关于
1K10发布于 2021-09-14 - 来自专栏数据科学（冷冻工厂）
使用 PyNeuraLogic 超越 Transformers
该框架非常适合较小的结构化数据（例如分子）和复杂模型（例如 Transformers 和图形神经网络）。另一方面，PyNeuraLogic 不是非关系型和大型张量数据的最佳选择。 Symbolic Transformers Transformers 我们通常倾向于将深度学习模型实现为对批处理成一个大张量的输入令牌的张量操作。 Transformers 也不例外，通常将单个标记向量表示批处理到一个大矩阵中，并将模型表示为对此类矩阵的操作。 它还指出了各种版本的 Transformers 以及带有 GNN 的 Transformers 的明显相似之处。 ---- 参考资料 [1] Source: https://towardsdatascience.com/beyond-transformers-with-pyneuralogic-10b70cdc5e45
33340编辑于 2023-02-27 - 来自专栏NewBeeNLP
Transformers Assemble（PART III）
写在前面 这一期魔改Transformers主要关注对原始模型中位置信息的讨论与优化， 「Self-Attention with RPR from Google，NAACL2018」 「Self-Attention
72620发布于 2020-08-26 - 来自专栏NewBeeNLP
Transformers Assemble（PART V）
image.png 为输入， 为经过ENCODER之后的特征表示 1.5 reference Code Here[2] Open Review[3] Star-Transformer[4] 在Transformers
1K10发布于 2020-08-26 - 来自专栏数据科学（冷冻工厂）
使用 PyNeuraLogic 超越 Transformers
该框架非常适合较小的结构化数据（例如分子）和复杂模型（例如 Transformers 和图形神经网络）。另一方面，PyNeuraLogic 不是非关系型和大型张量数据的最佳选择。 Symbolic Transformers图片我们通常倾向于将深度学习模型实现为对批处理成一个大张量的输入令牌的张量操作。 Transformers 也不例外，通常将单个标记向量表示批处理到一个大矩阵中，并将模型表示为对此类矩阵的操作。 它还指出了各种版本的 Transformers 以及带有 GNN 的 Transformers 的明显相似之处。
45900编辑于 2023-02-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号