- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI研习社
Github 项目推荐 | 用 PyTorch 实现 OpenNMT
https://github.com/mattiadg/SR-NMT 快速开始 一些有用的工具： 下面的例子使用了 Moss tokenizer (http://www.statmt.org/moses /) 来准备用于评估的数据和 moses BLEU 脚本。 wget https://raw.githubusercontent.com/moses-smt/mosesdecoder/master/scripts/tokenizer/tokenizer.perl wget https://raw.githubusercontent.com/moses-smt/mosesdecoder/master/scripts/share/nonbreaking_prefixes /nonbreaking_prefix.de wget https://raw.githubusercontent.com/moses-smt/mosesdecoder/master/scripts/share
1.6K40发布于 2018-07-26 - 来自专栏智药邦
JCIM｜用Transformer-decoder模型进行分子生成
2.研究方法 数据集 作者使用了两个基准数据集MOSES和GuacaMol来训练和评估该模型。 MOSES和GuacaMol数据集中的分子属性的概率分布如图1所示。 表1 在MOSES数据集上使用不同方法训练的非条件分子生成对应的不同指标的比较 表2 在GuacaMol数据集上使用不同方法训练的非条件分子生成对应的不同指标的比较 在MOSES基准测试中，MolGPT 研究者认为，与MOSES相比，这种新颖性的提升是由于GuacaMol数据集中分子的更大多样性（图1）。 图8在MOSES数据集上训练的以骨架(A)logP、(C)SAS、(E)TPSA和(G)QED为条件的生成分子的性质分布。
4.3K10编辑于 2021-12-06 - 来自专栏智能生信
MLST | GraphINVENT: 基于GNN的分子生成平台
该模型已使用基于MOSES平台（分子生成的基准平台）的指标进行了基准测试，显示了GraphINVENT模型与最新的生成模型的比较结果。 尽管如此，基于图的生成模型JTN-VAE已经使用MOSES指标进行了基准测试，所以GraphINVENT和JTN-VAE等MOSES集成的模型进行了比较。 （2）实验结果 在MOSES数据集上，所有前三名模型的平均PV约为95％，PU值为99.8％。 虽然无法仅从评估指标中选择最佳模型，但MOSES基准测试揭示了GGNN模型在分子生成任务方面比MNN和S2V模型略有优势。下表突出显示了在MOSES数据集上训练的最佳GGNN模型的性能。
1.9K31发布于 2021-04-13 - 来自专栏AI研习社
Github项目推荐 | 用于自然语言处理的开源 Python 库 —— PyTorch-NLP
并下载其英文模型： pip install spacy python -m spacy download en_core_web_sm 或者，您可能需要使用 NLTK <http://nltk.org/>的 Moses ', 'sentiment': 'pos'} 用 torchnlp.metrics 计算 BLEU 分数： from torchnlp.metrics import get_moses_multi_bleu brown fox jumps over the dog 笑"] references = ["The quick brown fox jumps over the lazy dog 笑"] get_moses_multi_bleu
1.7K40发布于 2018-07-26 - 来自专栏联远智维
三维结构组装
Srolovitz这篇文献通过理论和数值模拟计算的手段，利用MoSeS原子薄膜实现更小尺寸的组装，具体如下图所示，个人觉得该工作与张一慧课题组研究方向具有一定的相似性（David J.S偏向于数值模拟与理论研究 人造肌肉以及形状记忆合金作为三维组装的驱动器，调研可知，上述软材料无法制备成小于10μm的薄膜，因此，无法实现非常精细化的三维结构组装，当前设计的三维结构最小曲率半径一般要大约0.1mm； 然而本篇文章提供了一种新的思路，基于1-10nm厚的MoSeS 薄膜，进而实现了曲率半径为3-8nm的弯曲变形，大大扩宽了三维组装的范围；由于MoSeS具有极性，在外电场的作用下原子受到相应的扭矩，进而使得薄膜发生相应的变形，紧紧贴附于基底表面； 并且文章作者编写了一套程序 The MoSeS dynamic omnigami paradigm for smart shape and composition programmable 2D materials[J]. MoSeS的变形机理，具有的多种变形模式，并且各种变形模式能够相互叠加，实现复杂图案的构画，例如：能够在纳米量级上构画硬币的外轮廓，实现硬币外形精细化保真，是不是进一步就可以发家致富，赢取白富美，走向人生巅峰了
1.1K30编辑于 2022-01-20 - 来自专栏程序员小助手
3分钟短文：有趣的Laravel命令行交互，输入和输出！
先准备好数据： $headers = ['Name', 'Email']; $data = [['Dhriti', 'dhriti@amrit.com'],['Moses', 'moses@gutierez.com Name | Email | +---------+--------------------+ | Dhriti | dhriti@amrit.com | | Moses | moses@gutierez.com | +---------+--------------------+ 是不是直观多了，好看多了？
1.5K10发布于 2020-09-21 - 来自专栏AI研习社
Github 项目推荐 | PyTorch 文本工具库/数据集
from torchnlp.metrics import get_moses_multi_bleu hypotheses = ["The brown fox jumps over the dog 笑" brown fox jumps over the lazy dog 笑"] # Compute BLEU score with the official BLEU perl script get_moses_multi_bleu
1K20发布于 2018-07-26 - 来自专栏皮皮鲁的AI星球
神经机器翻译数据集WMT预处理流程简介
常见的Tokenizer有Moses tokenizer.perl脚本或spaCy，nltk或Stanford Tokenizer之类的库。 这个脚本该脚本先下载数据，再使用Moses Tokenizer(https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer
2K20编辑于 2022-09-20 Commun. Chem. | FRATTVAE：基于片段树 Transformer 的变分自编码器
实验使用了 ZINC250K、MOSES、GuacaMol、Polymer、SuperNatural3 等数据集，结果显示 FRATTVAE 在重建精度、FCD 等指标上超越现有方法，能高效处理大型复杂分子 性能验证：从基准测试到实际应用 在五个代表性数据集（ZINC250K、MOSES、GuacaMol、Polymer、SuperNatural3）上的测试表明，FRATTVAE在关键指标上全面超越现有模型 ： 该表对比了不同方法在 MOSES、GuacaMol、Polymer、SuperNatural3 和 ZINC250K 五个基准数据集上的分布学习指标，包括重建精度（Recon）、相似度（Similar 分布学习能力：在MOSES数据集上，FRATTVAE的重建精度达94.87%，有效性为100%，FCD分数0.8654，显著高于JTVAE（FCD 0.7933）和MoLeR（FCD 0.8525）；在含大分子的 该表比较了 FRATTVAE 与基于图的基线模型在 ZINC250K、MOSES 和 Polymer 数据集上的预处理、训练和采样速度（毫秒 / 分子）。
14110编辑于 2026-01-08- 来自专栏全栈程序员必看
python2.7安装pytorch_PyTorch安装「建议收藏」
/install.sh时出现Moses>=1.错误 Missing dependencies for nn:moses >= 1.，有时候执行./install.sh时，会出现这个问题。 用这个方法解决： sudo apt install luarocks sudo luarocks install moses 2) install.sh 过程中提示“error — unsupported
2.1K20编辑于 2022-09-07 - 来自专栏快乐阿超
typescript-exercises（七）
role: 'Steve' } ]; const users: User[] = [ { type: 'user', name: 'Moses role: 'Steve' } ]; const users: User[] = [ { type: 'user', name: 'Moses
17910编辑于 2024-11-03 - 来自专栏新智元
Github开源12款小游戏：每个只有13KB
Aaron’s Quest IV: While Moses Was Away 游戏地址：https://dashingstrike.itch.io/while-moses-was-away 这游戏玩儿起来满足感十足
3K30编辑于 2022-06-06 - 来自专栏AI科技评论
动态｜谷歌开源T2T模型库，深度学习系统进入模块化时代！
而GNMT本身已经高出MOSES 4分（以短语翻译系统MOSES为最低标准）。
1.2K80发布于 2018-03-13 - 来自专栏机器之心
跨语言版BERT：Facebook提出跨语言预训练模型XLM
项目提供的示例主要是 Python 3 写的，它还需要 Numpy、PyTorch、fastBPE 和 Moses 四个库的支持。 其中 fastBPE 主要帮助解决机器翻译中罕见词的表征问题，Moses 主要对文本进行清理和 Tokenize 等过程，这个库并不需要安装。
1.7K40发布于 2019-04-30 - 来自专栏AI研习社
Github 项目推荐 | 无监督神经机器翻译 —— UNdreaMT
为此，我们推荐使用 Moses 来标记和真实化语料库，如果开发者想使用 BPE，还可以选择使用 Subword-NMT。
1.1K20发布于 2018-07-26 - 来自专栏技术由浅入深
从0开始的Python学习007函数&函数柯里化
这个技术由 Christopher Strachey 以逻辑学家 Haskell Curry 命名的，尽管它是 Moses Schnfinkel 和 Gottlob Frege 发明的。
58420发布于 2019-04-24 - 来自专栏DrugOne
Nat. Mach. Intell. | 深度化学模型的神经缩放
图2显示了对Molecular Sets (MOSES)数据集中200万分子训练的ChemGPT模型的训练性能估计（TPE）结果。MOSES比PubChem小，代表了通常用于训练化学生成模型的数据集。 作者在这里使用MOSES来演示如何使用TPE快速发现像ChemGPT这样的化学语言大型模型（LLM）的最优设置。
28610编辑于 2024-02-23 - 来自专栏新智元
MIT计算机先驱乔尔·摩西逝世！师从明斯基，50年前教会计算机算微积分
MIT计算机科学与电子工程系教授、著名计算机科学家乔尔·摩西（Joel Moses）在与阿尔茨海默氏症和帕金森氏症长期斗争后，于5月29日逝世，享年80岁。 作为MIT教务长、首席学术官的Joel Moses表示，「在提高地球上较贫穷国家的福利和全球环境保护之间，两个目标很难同时最大化。对于科学家和工程技术人员而言，这是一个独特的挑战。 参考资料： https://news.mit.edu/1995/beijingconf https://news.mit.edu/2022/joel-moses-institute-professor-emeritus-dies
42220编辑于 2022-06-02 - 来自专栏AI研习社
可应用的目标检测代码来了，一秒锁定你
AI研习社按：本文为雷锋字幕组编译的技术博客，原标题 Object Detection with 10 lines of code ，作者为 Moses Olafenwa 。 也可以通过我的 Twitter 账号 @OlafenwaMoses 和 Facebook https://www.facebook.com/moses.olafenwa 与我联系。
84010发布于 2018-07-26 - 来自专栏CloudBest
发起云计算项目，AWS鼓励更多女性从事技术行业
这是为了帮助年轻人发挥他们的潜力，打破那种认为科技行业最适合男性的刻板印象，”AWS Get It for Future Foundations负责人露西 摩西(Lucy Moses)表示。
44031发布于 2019-08-02
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