推荐Github中的一些machine reading模型

最新推荐文章于 2021-07-23 19:20:57 发布
最新推荐文章于 2021-07-23 19:20:57 发布
阅读量650 收藏 1
点赞数
分类专栏： pytorch 文章标签： machine reading 深度学习 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38133212/article/details/85047267
版权

以后看到不错的代码会不断加进这里作为记录。
在这里插入图片描述
这些都是pytorch的实现。
初学pytorch可以看一下中间绿色的三个，学习AllenNLP可以看一下AllenNLP内的几个BIDAF。其他几个代码量极大，结构复杂。

Github链接：
SAN:https://github.com/kevinduh/san_mrc
mnemonic:https://github.com/HKUST-KnowComp/MnemonicReader
AoA:https://github.com/kevinkwl/AoAReader
DrQA:https://github.com/hitvoice/DrQA,
facebook的DrQA：https://github.com/facebookresearch/DrQA/

绿色三个：https://github.com/JaonM/MachineComprehension
R-net:https://github.com/matthew-z/R-net

QAnet(AllenNLP)：https://github.com/allenai/allennlp-reading-comprehension-research

街道口扛把子
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
machine-reading-comprehension
05-04
问题回答 在数据集上实现了和 。 我的学士学位项目的一部分。 在此处找到和 。 各个项目文件夹中的详细说明（README）。 搜索系统 创建了一个搜索系统网站，该网站使用（DrQA）执行文档搜索，然后从不同的预训练R-NET / S-NET模型的预选选择中提取答案。 还开发了一个管理界面来控制预加载什么样的模型。 （自述文件不可用）。 导师： ，印度理工学院孟买
机器阅读理解文章推荐2—— 《Neural machine reading comprehesion:methods and threds》
qq_40240102的博客
11-16 177
序 这是一篇综述类论文，由于机器阅读理解领域也算是现在深度学习流行领域的分支，市面上不会有像深度学习入门级别的教程那样那么多的资料，甚至找本好的书都难，个人只能考读论文和一些博客学习。 看了一系列论文后，觉得自己需要连贯起来，对这个领域大致有一些了解，正好看到了这篇综述类论文，感觉还可以。 读后感 既然是综述论文，基本就是总结前人工作，所以很多东西自己都看过。 论文对于整体的概括做的不错，很...
【论文阅读】Cross-Lingual Machine Reading Comprehension
没有胡子的猫Asimov
07-23 302
Cross-Lingual Machine Reading Comprehension 论文：https://arxiv.org/abs/1909.00361 代码：https://github.com/ymcui/Cross-Lingual-MRC 任务 虽然机器阅读理解研究得到了飞速发展，多数工作面向的是英文数据，而忽略了机器阅读理解在其他语言上的表现，其根本原因在于大规模训练数据的缺失。本文提出跨语言机器阅读理解（Cross-Lingual MachineReading Comprehensio
【源码】风力涡轮机模型仿真
weixin_42825609的博客
06-28 1158
风力涡轮机模型包括叶片、机舱、俯仰和偏航驱动、发电机和控制系统。 Wind turbine model including blades, nacelle, pitch and yaw actuation, generator and control system. 此文件包含风机模型，包括塔架、机舱和Simscape多体叶片的三维力学模型、液压变桨执行器、电动偏航执行器、简单发电机和电网模型。模型展示了如何分别开发每个系统，并将它们集成到整个模型中。在设计过程中，每个子系统的保真度级别可以变化。 Thi.
论文笔记--From Answer Extraction to Answer Generation for Machine Reading Comprehension (S-Net)
IndexFziQ CSDN
03-07 584
First published on indexfziq.github.io at 2019-01-17 19:10:40. Introduction 本文出自微软亚研院，一作是北航的Chuanqi Tan, 代码没有公开，链接为台湾的一位同学用CNTK实现的代码。首次使用了Seq2Seq模型对MS-MARCO阅读理解数据集进行答案生成，比较符合MS-MARCO的本意，同时定义了先抽取再生成的框架...
GitHubDesktop如何转化成中文？
04-01
GitHubDesktop如何转化成中文？
github 使用指南 官方中文
09-14
通过这份官方中文指南，你将能够掌握 GitHub 的基本操作，参与到开源世界的协作中，与全球开发者共同推进技术创新。无论是初学者还是经验丰富的开发者，这份指南都是学习和使用 GitHub 的宝贵资源。
aml-deploy：GitHub Action，允许您在Azure Machine Learning中部署机器学习模型
01-28
该存储库包含GitHub Action，用于将机器学习模型部署到Azure机器学习，并在模型上创建实时端点以将模型集成到其他系统中。 终结点可以托管在Azure容器实例或Azure Kubernetes服务上。 此GitHub Action还允许您提供...
github中文档
03-10
github 中文文档 中文 github中文文档 章节标签已添加
【论文阅读】Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension
没有胡子的猫Asimov
07-17 236
Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension 论文：https://arxiv.org/abs/2005.08056 代码：https://github.com/HongyuGong/RCM-Question-Answering 任务 传统的基于transformer的模型只能接受固定长度（如512）的文本作为其输入。为了处理更长的文本输入，以前的方法通常将它们分割成等距的片段，并根据每个片段独立预测答
论文分享 - Reinforced Mnemonic Reader for Machine Comprehension
Hudson的博客
01-25 1992
简介 这篇论文发表时间比较近，比较全面地总结了match-LSTM、R-Net等众多前人模型的优缺点，并做了很好的改进，如：增加编码层能力，解决长距离上下文信息，提炼预测答案片段，直接优化评价函数等，在SQuAD数据库上取得了State-Of-Art的效果。 前人的很多模型都具有一个共同的网络框架，即“encoder-interaction-pointer”。首先是将问题和段落的单词序列利用R
论文分享 - R-Net: Machine Reading Comprehension with Self-Matching
Hudson的博客
01-25 3227
介绍 该文由MSRA发表，在SQuAD数据库上目前成绩最好。模型借鉴了Wang&Jiang最早的match-LSTM方法，做了一些改进，网络结构分为以下四部分： RNN网络分别对question和passage单独编码 基于门限的注意力循环神经网络（gated-attention based recurrent network）匹配question和passage，获取问题的相关段落表示（q
【BestCoder#8】【1002】【Reading comprehension】【题解】【数列推通项】
退役狗的专栏
09-07 843
传送门:http://acm.hdu.edu.cn/showproblem.php?pid=4990
VALSE学习（五）：看图说话-Visual Question Answering as Reading Comprehension
TheDayIn_CSDN的博客
05-24 666
VALSE2019 一、Visual Question Answering as Reading Comprehension 简介：开发一种能够对图像提出智能的、面向目标的问题的方法被证明是一个难以理解的挑战。为此，文章提出了一种深度强化 学习框架基于三个新的中间奖励，即目标实现，进步和鼓励产生简洁问题的信息性，从而发现有价值的问题向总目标迈进的信 息。通过直接优化快速解决的问题。为了全面...
uva 673 平衡的括号
Hudson的博客
06-07 397
这道题目要求判断括号是否平衡。由于是判断就很简单了，利用stl里面的stack栈，遇到‘(’或者‘[’就入栈，遇到']'或')'就比较出栈。（注意下可能输入空字符）    #include #include #include #include #include #include #define maxn 200 using namespace std; int main() {
计算机视觉八大任务全概述：PaddlePaddle工程师详解热门视觉模型
喜欢打酱油的老鸟
03-25 1917
https://www.toutiao.com/a6671115106417377806/ 编者按： 来自百度的深度学习工程师，围绕计算机视觉领域的八大任务，包括：图像分类、目标检测、图像语义分割、场景文字识别、图像生成、人体关键点检测、视频分类、度量学习等，进行了较为详细的综述并形成此文。 这篇综述中，介绍了这些任务的基本情况，以及目前的技术进展、主要的模型和性能对比等。而且还逐一附...
论文笔记：Teaching Machine to Read and Comprehend
u010995990的博客
02-01 3131
这篇论文可以说是阅读理解领域的奠基之作。 文中最主要的收获就是，提出的三种神经网络模型 1. Deep LSTM Reader 处理过程如图，这个图是用两层的lstm来encoder document ||| query对（这个符号|||表示链接），然后再用得到的表示做分类（得到的输出y，再输入到图右g函数，来做判断）。但是这个两层的lstm我暂时的理解是用了两个lstm...
Dynamic Entity Representation with Max-pooling Improves Machine Reading
ryanloucc的博客
10-15 548
关键词Dynamic Entity Representation, Max-pooling来源2016.01.06 (published atNAACL-HLT 2016)问题之前的模型都是将实体表示成一个静态的向量，这样就没有利用上下文信息。本文基于这样的假设：如果阅读器不能使用 world knowledge，那么只能通过实体的上下文动态理解它的意思。文章思路这一模型可以分解成这样：p(e|D,
GitHub中的预训练模型该怎么用
最新发布
05-16
GitHub中的预训练模型通常以代码库的形式发布，你需要将其下载到本地，然后在你的代码中加载该模型并使用它。 具体步骤如下： 1. 在GitHub上找到你想要使用的预训练模型的代码库。 2. 下载代码库并解压缩。 3. ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值