spacy自然语言处理工具库--en_core_web_sm
自然语言处理工具库——spacy的安装，和en_core_web_sm、zh_core_web_sm
多轮对话（一）：概述（意图识别+槽填充）
本文主要介绍对话系统的组成：NLU、DST、DP、NLG。其中主要关注NLU，其包括两个任务：意图识别和槽填充。
I3D （inflated 3D）是什么？
I3D是除了双流网络视频领域里的另一力作，本文主要的工作有2个方面，一方面就是这个标题名称，inflated，本文提供了一种方法将2D网络膨胀为3D网络，使得视频理解不需要再耗费心神去设计一个专门的网络了，而是可以直接使用图片预训练好的模型甚至是预训练的参数，另一方面是提出了一个Kinetics4
【APC支付攻略】期刊版面费应该怎么付？看这里一文说清楚（含Wiley、MDPI、Frontiers）
您的文章被接收后，通过点击审稿平台内的"Proceed to Pay"查看付款信息，点击"View Invoice"核对 Invoice 及相关付款信息后，点击右侧的"Proceed to Payment"进入到付款界面。• 如果您不使用 Frontiers 的在线支付平台，选择银行转账的方式付款时
GPT-4发布：人工智能新高度，以图生文技术震撼，短时间内挤爆OpenAI模型付费系统
GPT-4是人工智能领域的一个新里程碑，它拥有强大的多模态能力和创造力，可以处理各种类型的数据和任务，为我们提供了无限的可能性和机会。它将给我们带来许多便利和乐趣，比如帮助我们学习、工作、娱乐、创作等等。它也将给我们带来许多挑战和责任，比如保护隐私、防止滥用、维护公平、促进发展等等。我们应该积极地探
【自然语言处理】【大模型】BLOOM：一个176B参数且可开放获取的多语言模型
预训练语言模型已经成为了现代自然语言处理pipeline中的基石，因为其在少量的标注数据上产生更好的结果。随着ELMo、ULMFiT、GPT和BERT的开发，使用预训练模型在下游任务上微调的范式被广泛使用。随后发现预训练语言模型在没有任何额外训练的情况下任务能执行有用的任务，进一步证明了其实用性
【NLP相关】NLP的发展历程
在2017年，谷歌发布了一种名为Transformer的神经网络架构，该架构被广泛应用于自然语言处理领域，并在机器翻译和自然语言理解等领域取得了出色的成果。相比于传统的递归神经网络（如RNN、LSTM等），Transformer使用了全新的基于注意力机制的架构，避免了递归计算的复杂度，并实现了并行计
Python NLP自然语言处理详解
在这个大数据时代，几乎所有事物都能用数据描述。数据可以大致分为三类。第一类是用于传播的媒体数据，如图片、音频、视频等。这类数据一般不需要做处理，只需要存储和读取。第二类是数字类数据，其价值很高。因为数字是有一定规律的，从已有数字中发现的规律可以用于预测未来的数据。这也是传统大数据处理与分析的主要方面
ChatGPT原理解析
在时序模型中，2017年最常用的模型是循环神经网络(RNN)，RNN是一种序列模型，通过将之前的信息存储在隐藏状态中，使得它能够有效地处理时序信息。也就是说，在进行下游任务时，不需要下游任务的任何标注信息，也不需要再次训练模型，然后得到了差不多的结果。因此，它回到了GPT一开始考虑的few-shot
基于BERT的自然语言处理垃圾邮件检测模型
在我们日常的网络通信中，垃圾邮件成为了我们必须要面对的问题之一。传统的垃圾邮件检测模型需要使用手动设计的规则和特征进行分类，但这种方法在复杂的邮件分类任务上表现并不理想。随着自然语言处理技术的不断发展，利用深度学习技术进行垃圾邮件检测的方法也变得越来越普遍。本文将介绍基于BERT的自然语言处理垃圾邮
Chat、GPT-4 加上 Midjourney = 一个完美的团队？我可以使用这两种工具创建更好的 AI 图像吗？
首先，我让我的新工具告诉我更多关于它自己的信息。
NLP（自然语言处理）
目前存在的问题有两个方面：一方面，迄今为止的语法都限于分析一个孤立的句子，上下文关系和谈话环境对本句的约束和影响还缺乏系统的研究，因此分析歧义、词语省略、代词所指、同一句话在不同场合或由不同的人说出来所具有的不同含义等问题，尚无明确规律可循，需要加强语用学的研究才能逐步解决。对大规模文档进行索引。自
如何搭建免费的GitHub Copilot？
搭配CodeGen代码生成模型，完美复刻GitHub Copilot
国产智能AI对话：技术狂潮之下，要有梦元宇宙正在改变世界
要有梦团队深耕数字科技产业多年，基于平台深厚的元宇宙综合技术沉淀，创新推出国产人工智能：要有梦智能AI新人类。在人工智能技术发展到临界点的当下，“要有梦智能AI新人类”的推出是一个里程的开始，意味着人工智能将迈向更高的台阶，更接近人类的智能。
【NLP学习计划】万字吃透NER
NLP系列学习计划，今天研究的是顶会ACL2018的一篇文章，并尝试在相同数据集上自己实现模型，领会STOA的魅力！
【NLP】第4章 从头开始预训练 RoBERTa 模型
将来使用更少的参数或其他类似方法进行蒸馏是一种巧妙的方式，可以充分利用预训练并使其高效地满足许多下游任务的需求。KantaiBERT 是一个类似 DistilBERT 的模型，因为它具有相同的 6 层和 12 个头的架构。您可以加载现有数据集或创建自己的数据集，具体取决于您的目标。您将有足够的变压器
什么是让ChatGPT爆火的大语言模型(LLM)
AI 应用程序正在总结文章、撰写故事和进行长时间对话——而大型语言模型正在承担繁重的工作。大型语言模型或 LLM 是一种深度学习算法，可以根据从海量数据集中获得的知识来识别、总结、翻译、预测和生成文本和其他内容。大型语言模型是 Transformer 模型最成功的应用之一。 它们不仅用于教授 AI
注意力机制详解
注意力机制
关系抽取（三）实体关系联合抽取：TPlinker
实体关系联合抽取TPLinker
NLP算法-命名实体识别
与自动分词、词性标注一样，命名实体识别也是自然语言处理的一个基础任务，是信息抽取、信息检索、机器翻译、问答系统等多种自然语言处理技术必不可少的组成部分。其目的是识别语料中人名、地名、组织机构名等命名实体。由于这些命名实体数量不断增加，通常不可能在词典中穷尽列出，且其构成方法具有各自的规律性，因此，通
