- 综合排序
- 最热优先
- 最新优先
- 来自专栏木头编程 - moTzxx
ThinkPHP5+mpdf 实现富文本生成 PDF文件
背景 今天在进行后台文章编辑时： 为方便文章的下载，建议在进行富文本的添加、修改时，可在规定目录下对应生成 PDF文件； 网上搜索发现，mPDF 是一个成熟的工具，也避免再造轮子咯 下面将应用于 ThinkPHP5 框架下的过程介绍下，方便道友借鉴 操作环境 PHP版本： 7.0.12 TP框架： ThinkPHP5.1.2 mpdf版本： v7.0.1 详细介绍及操作，注意参考 ：mPDF id.".pdf"; //默认 以html为标准分析写入内容 $mpdf->WriteHTML($content); // 文件生成指令
3.6K20发布于 2020-09-06 - 来自专栏DeepHub IMBA
5分钟NLP：Python文本生成的Beam Search解码
torch.sum(log_probability[:, input_len:]) return sentence_log_prob.cpu().numpy() 接下来，可以将其应用于贪婪搜索解码方法生成的输出 ，并计算生成的序列的对数概率。 现在，我们将并比较通过Beam Search生成的序列的对数概率得分，得分越高潜在结果越好。 我们可以增加n-gram惩罚参数no_repeat_ngram_size，这有助于减少输出中的重复生成的序列。 max_length=max_sequence, num_beams=5,
39330编辑于 2022-11-11 - 来自专栏数据派THU
5分钟NLP：Python文本生成的Beam Search解码
来源：Deephub Imba本文约800字，建议阅读5分钟本文介绍了Python文本生成的Beam Search的解码。 ，并计算生成的序列的对数概率。 现在，我们将并比较通过Beam Search生成的序列的对数概率得分，得分越高潜在结果越好。 我们可以增加n-gram惩罚参数no_repeat_ngram_size，这有助于减少输出中的重复生成的序列。 max_length=max_sequence, num_beams=5,
39210编辑于 2022-08-29 - 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。） /weights/realDonaldTrump_dril_twitter_weights.hdf5','. 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 T5：开启文本生成新时代的全能型 Transformer
T5（Text-to-Text Transfer Transformer）的出现，以其独特的 “文本到文本” 统一框架，将各种 NLP 任务都转化为文本生成问题，为 NLP 带来了全新的解决思路。 一、T5 原理：用 “文本生成” 统一 NLP 任务 T5 的核心思想非常简洁且极具创新性 —— 将所有 NLP 任务，无论是文本分类、问答系统，还是机器翻译、摘要生成，都视为从输入文本到输出文本的转换过程 通过在大规模文本数据上进行这种预训练，T5 学会了强大的语言理解和生成能力。 二、Java 语言示例：使用 T5 进行简单文本生成 虽然 T5 原生基于 Python 的 TensorFlow 和 PyTorch 实现，但可以通过 Java 调用相关服务或接口来使用 T5。 文本生成 包括故事创作、诗歌生成、对话生成等，为创意写作、聊天机器人等应用提供技术支持，创造出丰富多样的文本内容。 5.
66310编辑于 2025-10-14GPT-5 发布：长文本、多模态与代码生成的新纪元
从 GPT-1 到 GPT-5，每一次迭代都带来新的可能性： - GPT-3 让文本生成开始具备“上下文理解” - GPT-4 将多模态引入主流大模型 - GPT-5 进一步扩大记忆窗口至千万级 Token，并在复杂任务推理上表现更加稳定# GPT-5 发布：长文本、多模态与代码生成的新纪元---## 三大开发应用场景解析为了更直观地理解 GPT-5 的能力，我们选择在 **ModelGate* 长文本与多章节推理千万级 Token 支持让 GPT-5 能一次性加载整本书或大型代码仓库，并跨章节进行连贯分析。这对法律文献检索、科研文献综述等场景尤其有价值。---### 2. 这种充足的“上下文记忆”在长篇文档问答、复杂策略分析、项目自动生成等场景都会发挥价值。写在最后GPT-5 不仅象征了 AI 推理和生成能力的新高度，也为开发者提供了更具弹性的实验条件。 未来，随着 GPT-5 的能力不断被开发挖掘，我们或许会看到更多基于长文本、多模态、自动化代码生成的全新应用，而现在正是探索的最佳时机。
58720编辑于 2025-08-08- 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。 辅助潜在模块：这个模块使用文本字形、位置和遮蔽图像等输入来生成用于文本生成或编辑的潜在特征。它通过将这些信息编码到潜在空间中，帮助模型在图像中生成或修改文本。 AnyText能够生成多种语言的字符，据作者所知，这是第一个解决多语言视觉文本生成的工作。 4️⃣ 对比实验 eval image-20240103181047880 image-20240103181109484 5️⃣ 免费试用 网站 https://github.com/tyxsspa/ ，“立减5万”，“加绒加厚”，“穿脱方便”，“温暖24小时送达”， “包邮”，高级设计感，精美构图 输出图像： img Thank you
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。 从结果可以看出，五个生成序列彼此之间只有些许不同，这在仅使用num_return_sequences=5时并不奇怪。 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。 这个结果可以说是我们一路下来最真实的文本生成。但是在使用Top-K采样时需要注意的一个问题是，它不会动态适应从下一个单词概率分布 。
4.8K30发布于 2020-04-25 - 来自专栏文本生成图像
文本生成图像工作简述5--对条件变量进行增强的 T2I 方法（基于辅助信息的文本生成图像）
一、基于场景图的文本生成图像基于场景图的文本生成图像方法是一种利用场景图信息来生成图像的图像生成方法。 最后，图像解码器重构真实图像并基于两个潜在画布生成新图像。该模型同样包含一对和判别器进行端到端训练。二、基于对话的文本生成图像基于对话的文本生成图像是一种通过对话信息来指导图像生成的方法。 三、基于属性驱动的文本生成图像基于属性控制的文本生成图像是一种基于属性描述生成图像的图像生成方法。 四、基于边界框标注的文本生成图像基于边界框的文本生成图像是一种根据边界框信息生成图像的方法。在这种方法中，通过提供物体的边界框坐标信息，图像生成模型可以生成符合指定边界框的图像。 六、其他基于辅助信息的文本生成图像除了上述提到的之外，还有很多模型在做文本生成图像任务时，引入条件变量或者说辅助信息额外帮助模型生成图像，比如草图、多标题、短文本、风格、噪声等等：风格迁移：风格迁移是一种常见的基于辅助信息的图像生成方法
1K10编辑于 2024-04-24 - 来自专栏开源服务指南
实时语音克隆：5 秒内生成任意文本的语音 | 开源日报 No.84
CorentinJ/Real-Time-Voice-Cloning[1] Stars: 43.3k License: NOASSERTION picture 这个开源项目是一个实时语音克隆工具，可以在5秒内复制一种声音 ，并生成任意文本的语音。 该项目的主要功能包括： 从几秒钟的录音中创建声纹模型 根据给定文本使用参考声纹模型合成语音 该项目有以下关键特性和核心优势： 实时处理：能够快速进行语言克隆并生成对应文字内容。 它允许您直接在 HTML 中使用属性来访问 AJAX、CSS 过渡效果、WebSockets 和服务器发送事件，以便利用超文本的简单性和强大性构建现代用户界面。 /github.com/bigskysoftware/htmx [4] intel/intel-one-mono: https://github.com/intel/intel-one-mono [5]
99230编辑于 2023-11-15 - 来自专栏XAI
【iText5 生成PDF】纯Java代码实现生成PDF(自定义表格、文本水印、单元格样式)
工作中遇到需要生成PDF。最终选择了iText。其他也有通过html再生成。感觉不太适合就用了代码实现。 使用iText 5.5.13.1版本。 纯Java代码实现 1.自定义表格合并指定行列完成数据填充 2.自定义单元格显示 3.文本内容水平垂直居中显示 4.中文显示 5.图片增加(三角雷达图，基于JFreeChart 可参考另一篇博文 小帅丶 * @Date 2019/7/12 14:56 * @param table 表格 * @param cell 列 * @param text 文本 小帅丶 * @Date 2019/7/12 14:56 * @param table 表格 * @param cell 列 * @param text 文本 * @Description 信息分组table * @Author 小帅丶 * @Date 2019/7/12 14:43 * @param groupText 文本内容
9.3K31发布于 2019-07-22 - 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。 从文本生成图像:挑战和注意事项 有几个相关的挑战传统上阻碍了TTI模型的发展，但它们中的大多数可以归类为以下类别之一? 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。 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。 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。 有一篇直接加BN层的解法，常用几种解法如下： 让KL loss变强： 如动态调整KL loss的系数[3]， Free Bits[4]（KL大于一个阈值时采取调整） Normalizing flow[5] ，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。 Improving Variational Inference With Inverse Autoregressive Flow: https://arxiv.org/abs/1606.04934 [5]
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。 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。 图5. RelGAN判别器 判别器结构如图5所示，为了从多方面捕获输入特征，词向量通过多个词向量表示层输入CNN网络，这样子就输出多个判别器损失，综合多个方面的判别器损失，得到最终的损失输出，这样子，可以从多个方面综合评估词向量的差异
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
正文开始 1 文本生成原理（Char-RNN） 相信很多人应该看过这篇文章，它是Andrej Karpathy（不知道他是谁的同学，可以翻下我上一篇文章）的发的一篇blog，但是我还是把它拿过来了， 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：(含源码)「自然语言处理(NLP)」华南理工 && 腾讯AI Lab（基于知识库的感知对话生成） 5 文摘生成 本文提出了一种新的基于预训练的编码-解码器框架，该框架可以根据输入序列以两阶段的方式生成输出序列 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 - 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
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