- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习自然语言处理
长文实践 | 详述文文本生成任务之营销文本生成
---- 编辑：AI算法小喵 写在前面 在《一文详解生成式文本摘要经典论文Pointer-Generator》中，我们已经详细地介绍过长文本摘要模型 PGN+Coverage。 引言 文本生成（Text Generation）可进一步细分为文本摘要、机器翻译、故事续写等任务。本项目主要用到文本摘要技术。 抽取式摘要是选取其中关键的句子摘抄下来。 相反，生成式摘要则是希望通过学习原文的语义信息后相应地生成一段较短但是能反映其核心思想的文本作为摘要。 生成式摘要相较于抽取式摘要更加灵活，但也更加难以实现。 熟练掌握如何实现 Beam Search 算法来生成文本。 熟练掌握文本生成任务的评估方法。 掌握深度学习训练的一些优化技巧，如：Scheduled sampling、Weight tying等）。 项目任务简介 文本生成任务中，通常将作为输入的原文称为 source，将待生成的目标文本称为 target 或者 hypothesis，将用来作为 target 好坏的参考文本称之为reference。
1.1K42编辑于 2022-09-13 - 来自专栏大数据智能实战
textgenrnn 文本生成实战
文本生成是一件很神奇的自然语言处理任务，深度学习给文本生成带来的全新的技术途径，如这篇文章The Unreasonable Effectiveness of Recurrent Neural Networks textgenrnn就是采用RNN的方式来实现文本生成的一个简洁高效的库，代码量非常少，又非常易于理解。其架构是采用了LSTM＋Attention的方式来实现。如下图所示： ? 在上述参数中，可见有个temperatures，它可以用来代表生成文本的温度（从结果来看，似乎可以认定为文本带的感情色彩强烈与否，其中0.2一般为偏负面，0.5代表偏中性，1.0代表相对正能量一些。） 为了试验不同的temperatures，textgenrnn自带了上生成不同温度的例子，其代码如下 def generate_samples(self, n=3, temperatures=[0.2, 如训练语料至少2000－5000个之间，且生成文本不稳定，需要一些人工编辑等。 textgen = textgenrnn('.
99930发布于 2019-05-26 - 来自专栏3D视觉从入门到精通
使用扩散模型从文本提示中生成3D点云
摘要 虽然最近关于根据文本提示生成 3D点云的工作已经显示出可喜的结果，但最先进的方法通常需要多个 GPU 小时来生成单个样本。这与最先进的生成图像模型形成鲜明对比，后者在几秒或几分钟内生成样本。 我们的方法首先使用文本到图像的扩散模型生成单个合成视图，然后使用以生成的图像为条件的第二个扩散模型生成 3D 点云。 简介 我们不是训练单个生成模型直接生成以文本为条件的点云，而是将生成过程分为三个步骤。首先，我们生成一个以文本标题为条件的综合视图。接下来，我们生成一个基于合成视图的粗略点云（1,024 个点）。 实验结果 由于通过文本条件合成3D是一个相当新的研究领域，因此还没有针对此任务的标准基准集。 我们发现 Point E 能够根据文本提示有效地生成多样化和复杂的 3D 形状。希望我们的方法可以作为文本到 3D这一块研究领域进一步工作的起点。 本文仅做学术分享，如有侵权，请联系删文。
1.9K30编辑于 2023-04-29 - 来自专栏杨熹的专栏
如何自动生成文本摘要
v=ogrJaOIuBx4&list=PL2-dafEMk2A7YdKv4XfKpfbTH5z6rEEj3&index=19 代码： https://github.com/llSourcell/How_to_make_a_text_summarizer /blob/master/vocabulary-embedding.ipynb 今天学习的是自动生成文本摘要。 接着我们需要把整个文章变成一个一个的单词，并且一个词一个词的生成总结。 decoder，和encoder一样的 lstm 结构，权重矩阵也是用同样的提前训练好的 glove embeddings，它用来生成 summary。 decoder 会先生成一个单词，然后把这个单词投入到下一层中，就会生成下一个单词，一直到生成一句标题。
2K50发布于 2018-04-03 - 来自专栏AI算法能力提高班
AnyText | 广告营销文本生成
⚡ AnyText | 广告营销文本生成 本文介绍AnyText文本生成和文本编辑，适合广告电商图片生成，降本增效。 此外，论文还贡献了一个大规模的多语言文本图像数据集AnyWord-3M，包含300万对图像-文本对，以及多种语言的OCR注释。 基于AnyWord-3M数据集，作者提出了AnyText-benchmark，用于评估视觉文本生成的准确性和质量。 论文还提到，AnyText可以轻松地集成到现有的扩散模型中，以准确渲染或编辑文本。 文本嵌入模块不按字符逐个学习，而是利用预训练的视觉模型（特别是PP-OCRv3）来提取字形信息。 此外，AnyText可以轻松地集成到现有的扩散模型中，赋予它们准确生成文本的能力。 3️⃣ 应用场景 这篇论文提出的AnyText模型具有广泛的应用场景，特别是在需要高质量视觉文本生成的领域。
82510编辑于 2024-01-05 - 来自专栏AI小白入门
【NLP】机器如何生成文本？
haha，仅仅使用两行代码我们就可以利用GPT2生成一个简短文本。从生成结果可以看到，根据上下文生成的单词是合理的，但是模型很快就会开始重复。 换句话说，作为人类，我们希望生成的文本使我们感到惊讶，而不是无聊或者可预测的，作者通过绘制概率图很好地证明了这一点。 ? 哈哈，既然这样，那让我们停止无聊并加入一些随机性！ 在下文中为了方便说明，我们设置random_seed = 0，可以随意更改random_seed来尝试不同的生成效果。 ? 尝试读一遍文本，会发现似乎还不错，但是仔细观察时，这并不太连贯和通顺。 GPT2就是采用了这种采样方案，这也是其生成故事效果不错的原因之一。 我们将上面示例中两个采样步中使用的单词范围从3个扩展到10个，以更好地说明Top-K采样。 ? 在第一步采样中， 包含了整体的2/3，第二步采样则包含了几乎全部，但是有效地去除了一些奇奇怪怪的单词。 ? 哇！这个结果可以说是我们一路下来最真实的文本生成。
4.8K30发布于 2020-04-25 - 来自专栏媒矿工厂
2D 扩散模型 + Nerf，实现文本生成 3D 模型
内容整理：王炅昊 本论文把近期发展火热的2D扩散模型和Nerf（神经辐射场）结合，提出DreamFusion，实现了从文字生成3D模型。 目录 摘要 引入：扩散模型 方法 摘要 在数十亿图像-文本对上训练的扩散模型，在文字生成图像的任务上大获成功。 但是，如果想要将这种方法应用于 3D 生成（synthesis），需要对大规模的 3D 数据集进行标注并且在其上面训练，除此之外，还需对 3D 数据去噪的有效架构，但目前这两者都不存在。 在这项工作中，作者通过使用预训练的 2D 文本-图像的扩散模型，实现文本到 3D 合成。他们引入了基于概率密度蒸馏的损失函数，这也允许了2D扩散模型作为先验，用以优化参数图像生成器。 在该方法中，给定文本生成的 3D 模型可以从任意角度观察，通过任意照明重新点亮，或合成到任何 3D 环境中。
3.1K20编辑于 2022-11-07 - 来自专栏MixLab科技+设计实验室
自动生成数字人？！输入文本即可驱动生成 3D 数字人化身和动画 #AvatarCLIP
知识库 本期推荐 # AvatarCLIP 模型，一个用于 3D 头像生成和动画的文本驱动框架。 AvatarCLIP 该模型可根据文字描述身体形状、外观和动作来生成3D人物和动画，使非专业出身的用户能够自定义3D 化身的形状和纹理 。 使用该模型生成的结果非常有意思，比如 “举起双臂的瘦削忍者” ，“坐着的超重的相扑选手”等等。 我们可以体验，在 colab 中即可生成数字人运动模型。 colab 数字人生成渲染结果 项目网站中展示了丰富的人物3D模型加载库，创作者可以运用生成的数字人3D模型尝试多种应用可能～ 该项目展示的选择加载的模型库 选择生成模型下载 FBX 格式后即可导入
3.7K21编辑于 2022-05-25 - 来自专栏AI分享
90分钟生成10万Token，新框架实现3倍无损加速超长文本生成
生成10万Token的文本，传统自回归模型需要近5个小时，现在仅需90分钟！ 在人工智能领域，大语言模型（LLMs）的应用日益广泛，但生成超长序列（如长达100K Token）却面临着耗时长的难题。 三、优势与特点 显著的加速效果 实验结果表明，TOKENSWIFT在不同规模（1.5B、7B、8B、14B）和架构（MHA、GQA）的模型上均实现了超过3倍的加速。 四、应用场景 文学创作与内容生成 对于需要生成长篇文本的场景，如小说创作、报告撰写等，TOKENSWIFT能够帮助创作者快速生成高质量的内容，大大提高创作效率。 **跨领域应用**：探索TOKENSWIFT在更多领域的应用潜力，如医疗、金融等，为各行业提供更强大的文本生成支持。 TOKENSWIFT框架作为超长序列生成领域的创新技术，具有重要的理论价值和广阔的应用前景。它不仅为当前的文本生成任务提供了高效的解决方案，也为未来人工智能技术的发展奠定了坚实的基础。
3.7K11编辑于 2025-03-12 - 来自专栏AI SPPECH
2025年3D生成技术全景：文本与图像驱动的创意革命
2025年，随着生成式AI技术的快速演进，基于文本和图像的3D生成技术已经取得了突破性进展，能够自动生成高质量、细节丰富的3D模型，彻底改变了传统3D建模的工作流程。 2025年，主流的3D生成技术主要分为两大类： 文本到3D（Text-to-3D）：根据自然语言描述自动生成3D模型的技术 图像到3D（Image-to-3D）：根据二维图像自动生成3D模型的技术 这两种技术结合了自然语言处理 用于文本引导的3D生成 2022 Magic3D、NeRFusion 提出两阶段3D生成方法，提高生成质量 2023 Point-E、Shap-E、SingleView3D 高效3D生成模型的涌现 2024 多模态3D生成 融合文本、图像等多种输入的3D生成技术 2025 实时高质量3D生成 实现实时、高质量的多模态3D生成 2. 2025年3D生成的核心技术架构 2.1 3D生成模型的技术架构 2025 设计师可以通过简单的文本描述或概念图，快速生成产品的3D模型，进行可视化评估和迭代设计。
93010编辑于 2025-11-13 - 来自专栏DeepHub IMBA
通过短文本生成图像
文本到图像(Text-to-Image, TTI)是深度学习的新兴学科之一，专注于从基本文本表示生成图像。 1)挑战:TTI模型高度依赖文本和可视化分析技术，尽管近年来它们取得了很大进展，但要实现主流方法，仍有很多工作要做。从这个角度来看，TTI模型的功能通常会受到底层文本分析和图像生成模型的具体限制。 3)物物关系:任何图像都是以视觉的形式表达物体之间的关系。为了反映给定的叙述，TTI模型不仅要生成正确的对象，还要生成它们之间的关系。 在文本到图像的生成技术中，生成包含多个具有语义意义的对象的更复杂的场景仍然是一个重大的挑战。 gan通常由两种机器学习模型组成——一个生成器从文本描述生成图像，另一个判别器使用文本描述判断生成图像的真实性。生成器试图让假照片通过鉴别器;另一方面，辨别器不希望被愚弄。
1.2K20发布于 2021-08-20 - 来自专栏AI技术探索和应用
AIGC之文本和图片生成向量
文本和图片生成向量的方式一般是通过已有的模型进行生成，在流行的模型托管平台上已有大量开源的Embedding模型，如国外的HuggingFace平台和国内的ModelScope平台。 接下来将对文本生成向量和图片生成向量在不同平台SDK下使用方式进行简单介绍。 文本生成向量 OpenAI（官方收费） 安装依赖。 pip install -U openai 文本生成向量示例如下。 pip install -U transformers 文本生成向量示例如下。若本地缓存不存在该模型，默认会从HuggingFace上下载该模型到本地。 ModelScope封装了统一的接口对外提供单句向量表示、双句文本相似度、多候选相似度计算功能。 安装依赖。 pip install -U modelscope 文本生成向量示例如下。 pip install -U towhee 文本生成向量示例如下。
2.9K31编辑于 2024-03-13 - 来自专栏深度学习自然语言处理
文本生成魔改方案汇总！
文本生成是NLP中较难的点，应用场景多且广泛。 文本生成的应用领域 信息抽取：生成式阅读理解 一篇长篇新闻中根据抽取的事件，生成简短概述 对话系统：闲聊回复|知识型问答回复 用户：我今天失恋了 chatbot: 抱抱，不哭 用户：章子怡现在的老公是谁呀 VAE在文本生成界应用已经开始有点边缘了，不过对于seq2seq的系列文本生成，似然求解偏置问题导致的生成文本单一问题，VAE有天然优势。 ，同时作者认为多层特征抽取能捕捉到更细节的语义方便长文本的生成。 A Batch Normalized Inference Network Keeps the KL Vanishing Away: https://arxiv.org/abs/2004.12585 [3]
2.1K20发布于 2021-01-04 - 来自专栏智能生信
用于文本生成的GAN模型
GAN的基本结构 二、GAN在文本生成中遇到的困境 传统的GAN只适用于连续型数据的生成，对于离散型数据效果不佳。文本数据不同于图像数据，文本数据是典型的离散型数据。 为了解决GAN在面对离散型数据无法将梯度反向传播给生成器的问题，人们提出了三种方案：1.判别器直接获取生成器的输出；2.使用Gumbel-softmax代替softmax；3.通过强化学习来绕过采样带来的问题 3.2 LeakGAN 基于GAN生成文本的方法大多数场景是生成短文本，对于长文本来说还是存在很多挑战。 先前的GAN中判别器的标量指导信号是稀疏的，只有在完整生成文本后才可用，缺少生成过程中的文本结构的中间信息。当生成的文本样本长度很长时效果不好。 LeakGAN通过泄露判别器提取的特征作为引导信号，指导生成器更好地生成长文本。同时，借助分层强化学习从判别器向生成器提供更丰富的信息。 图3.
4.9K20发布于 2021-10-08 Sora——最强文本视频生成模型！
引言以ChatGPT闻名海外的OPENAI，最近推出首个**文本视频生成模型——Sora**，其效果极其流畅程度令人叹为观止！ 先来感受一下Sora依据文本生成的视频：提示词： A stylish woman walks down a Tokyo street filled with warm glowing neon and Sora根据提示词，生成60s镜头，不仅主要人物动作流畅，切近镜头时还可以看到主角的脸上皮肤细节，后面的场景还可以自如切换。 根据OpenAI给出的技术报告，Sora的技术特色：将视觉数据转换为Patch视频压缩网络时空潜在补丁转换变换器以生成视频变化的持续时间、分辨率、宽高比对语言的理解图像、视频、文本均可作为提示词视频拼接图像生成能力涌现的模拟能力就像 但是，对于很多人说，未来可能是输入小说直接生成对应的视频图像我仍然持保留态度。因为自我观点，Sora只是通过大量输入数据的学习，对文本处理后进行图像模拟，还远远达不到对真实物理世界的智能理解。
40000编辑于 2024-03-04- 来自专栏python3
文本操作3(cut,sort)
需求 检查当前系统中的各种shell程序，统计出它们各被多少用户所使用，并把统计结果按照从多到少排序打印出来 解决方案 每个用户所使用登录的shell都保存在系统文件/etc/passwd中，我们已经知道这个文件中每一行对应一个用户的信息，并且最后一个字段就是这个用户所使用的shell程序。因此可以使用cut命令提取shell程序的字段，在通过sort命令进行合并，然后使用uniq命令统计各个shell的使用次数，最后通过sort命令对数字进行排序。 #cut命令从文件中的每一行数据中剪切出一部分 #sor
66820发布于 2020-01-13 - 来自专栏自然语言处理(NLP)论文速递
【NLP论文速递】文本生成、中文诗歌生成、邮件主题生成、感知对话生成、文摘生成、会话响应生成
因为太经典了，对于一个新手来说能快速理解文本生成的原理。 该篇文章主要讲述了最基本的Char-RNN文本生成原理，具体如下图所示。以要让模型学习写出“hello”为例，Char-RNN的输入输出层都是以字符为单位。 中文分析链接：「自然语言处理(NLP)机器翻译」ACL&&中科院&&微信AI团队 3 电子邮件主题生成 本文提出并研究了电子邮件主题行生成任务:从电子邮件正文中自动生成电子邮件主题行。 3、提出了一种响应引导注意机制，利用k-最佳响应候选项引导模型关注相关特征。4、在真实对话数据集上的大量实验表明，我们的模型在定量和定性两方面都优于比较方法。 据我们所知，我们的方法是第一个将BERT应用于文本生成任务的方法。作为这一方向的第一步，我们评估了我们提出的方法对文本摘要任务。
1.8K10发布于 2021-11-26 Python 实现文本转语音超详细教程！一键生成 MP3 文件！
Python 实现文本转语音超详细教程！一键生成 MP3 文件！不管你是想做个 “听书工具”，还是给程序加个语音提醒功能，Python 的文本转语音（TTS）都能帮你搞定。 最后会在 D 盘根目录生成一个叫 “python_tts_demo.mp3” 的文件，打开就能听。七、常见问题和错误（避坑指南）刚用的时候肯定会遇到问题，我把最常见的列出来，教你怎么解决：1. 面试官：Python 实现文本转语音有哪些库？pyttsx3 相比其他库有什么优势？回答： 常见的库有 3 个：pyttsx3、gTTS、TTS。 pyttsx3 的优势主要是 3 点：离线可用：不用联网，gTTS 必须联网才能生成语音，断网就用不了；支持多平台：Windows、macOS、Linux 都能用，而且能调用系统自带的语音引擎，不用额外装其他东西 面试官：pyttsx3 怎么把文本保存成 MP3？需要注意什么？
99611编辑于 2025-12-02- 来自专栏DeepHub IMBA
使用扩散模型从文本生成图像
需要占用的资源更少，这样我们也可以在自己的电脑中使用它生成高质量的图片。 在这篇文章中，将展示如何使用抱脸的扩散包通过文本生成图像，还有就一个一个不好的消息，因为这个模型的出现google的colab可能又要增加一些限制了。 从 DALLE 到Stable Diffusion 我们前面的文章也介绍过 OpenAI 的 DALLE-2 模型还有他的开源实现，它可以让我们从文本中创建高质量的图像。 使用diffusers 从文本生成图像 首先，使用扩散器包从文本生成图像我们首先要有一个GPU，这里就是用google 的colab，但是可能colab以后会对这样的应用进行限制了，这个我们在最后加以说明 有了gpu下面就是要安装包： diffusers==0.2.4 — 这是我们主要的包 transformers — 这个是抱脸的成名的基础包 scipy — 科学计算的 ftfy — 处理一些文本编码问题
1.8K10编辑于 2022-11-11 - 来自专栏一点人工一点智能
ACM MM 2021 | 多文本人脸生成
摘要 文本人脸合成指的是基于一个或多个文本描述，生成真实自然的人脸图像，并尽可能保证生成的图像符合对应文本描述，可以用于人机交互，艺术图像生成，以及根据受害者描述生成犯罪嫌疑人画像等。 图 1 不同方法的文本到人脸图像生成结果 背景 相较于文本到自然图像的生成，文本到人脸生成是一个更具挑战性的任务，一方面，人脸具有更加细密的纹理和模糊的特征，难以建立人脸图像与自然语言的映射，另一方面， 此外，目前基于文本的人脸生成方法[1,2,3,4]都是基于一个文本输入，但一个文本不足以描述复杂的人脸特征，更重要的是，由于文本描述的主观性，不同人对于同一张图片的描述可能会相互冲突，因此基于多个文本描述的人脸生成具有很重大的研究意义 方法 针对该问题，团队提出了一个基于多输入的文本人脸生成算法。 图 3 不同方法比较结果 图 4 不同数量输入的生成结果 表 1 不同方法的定量比较结果 表 2 消融实验结果：前三行分别表示网络去除SFIM，AMC，和属性分类损失 参考文献： 1.
76440编辑于 2022-12-27
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