基于 BERT 的抽取式摘要

Python: 3.7 或更高版本（推荐 3.8 或 3.9，与 PyTorch 和 Transformers 兼容性更好）。

【机器学习】深入探索SVM概念及其核方法

支持向量机在深度学习技术出现之前，使用高斯核的支持向量机在很多分类问题上取得了很好的结果，支持向量机不仅用于分类，还可以用于回归问题。它具有泛化性能好，适合小样...

【机器学习】深入探索SVM：支持向量机的原理与应用

在很久以前的情人节，一位大侠要去救他的爱人，但魔鬼需要大侠先攻克他设置的防线，于是和他玩了一个游戏game。

【AI大模型】BERT GPT ELMo模型的对比

ELMo: * 优点: * 从早期的Word2Vec预训练模型的最大缺点出发, 进行改进, 这一缺点就是无法解决多义词的问题. * ELMo根据上下文动态调整w...

【NLP自然语言处理】Transformer模型的几大核心优势与应用前景

对于Transformer比传统序列模型RNN/LSTM具备优势的第一大原因就是强大的并行计算能力.

【AI大模型】探索GPT模型的奥秘：引领自然语言处理的新纪元

给定句子U = [u1, u2, ..., un], GPT训练语言模型时的目标是最大化下面的似然函数:

【AI大模型】深入GPT-2模型细节：揭秘其卓越性能的秘密

从模型架构上看, GPT2并没有特别新颖的架构, 它和只带有解码器模块的Transformer很像.

【NLP自然语言处理】TextRank揭秘：文本摘要与关键词提取的强大算法

【面试宝典】机器学习：深度解析高频面试题与解答策略（上）

在分类问题中，这个问题相对好理解⼀点，⽐如⼈脸识别中的例⼦，正样本很好理解，就是⼈脸的图 ⽚，负样本的选取就与问题场景相关，具体⽽⾔，如果你要进⾏教室中学⽣的...

探索Neo4j：图数据库的卓越特性与应用实践

第三步：修改配置文件默认在/etc/neo4j/neo4j.conf, 为了方便显示下面把一些修改显示在这里

【NLP自然语言处理】FastText在文本分类中的智能应用与探索

数据集介绍，本案例烹饪相关的数据集, 它是由facebook AI实验室提供的演示数据集

拥抱AI未来：Hugging Face平台使用指南与实战技巧

Huggingface总部位于纽约，是一家专注于自然语言处理、人工智能和分布式系统的创业公司。他们所提供的聊天机器人技术一直颇受欢迎，但更出名的是他们在NLP开...

【AI大模型】ELMo模型介绍：深度理解语言模型的嵌入艺术

ELMo最底层的词嵌入采用CNN对字符级进行编码, 本质就是获得一个静态的词嵌入向量作为网络的底层输入.

【机器学习】带你迅速了解什么是机器学习

试想这样一个场景，傍晚小街路面上沁出微雨后的湿润，和煦的细风吹来，抬头看看天边的晚霞。心里想着明天又是一个好天气。

【NLP自然语言处理】深入探索Self-Attention：自注意力机制详解

self-attention是一种通过自身和自身进行关联的attention机制, 从而得到更好的representation来表达自身.

【AI大模型】大型语言模型LLM基础概览：技术原理、发展历程与未来展望

大语言模型 (英文：Large Language Model，缩写LLM) 是一种人工智能模型, 旨在理解和生成人类语言. 大语言模型可以处理多种自然语言任务，...

【NLP自然语言处理】深入解析Encoder与Decoder模块：结构、作用与深度学习应用

多头self-attention层的作用: 实验结果表明, Multi-head可以在更细致的层面上提取不同head的特征, 总体计算量和单一head相同的情...

【Python】运算符详解：从基础到高级，掌握数据操作的利器

需求：用户手工输入梯形的上底、下底以及高，能直接通过Python打印出梯形的面积为多少。

【AI大模型】深入Transformer架构：输入和输出部分的实现与解析

因为在Transformer的编码器结构中, 并没有针对词汇位置信息的处理，因此需要在Embedding层后加入位置编码器，将词汇位置不同可能会产生不同语义的信...

【AI大模型】深入Transformer架构：解码器部分的实现与解析