- 综合排序
- 最热优先
- 最新优先
- 来自专栏ATYUN订阅号
使用Tensor2Tensor和10行代码训练尖端语言翻译神经网络
编译：yxy 出品：ATYUN订阅号 有许多库可以帮助人们构建深度学习应用程序，但如果想使用最新架构的最先进模型和最少的代码，有这样一个API脱颖而出：Google的Tensor2Tensor。 引自Github上的tensor2tensor介绍 深度学习和Tensor2Tensor 尽管深度学习并不总是人们在数据科学领域所期望的灵丹妙药，但它对于自然语言处理（NLP）任务来说非常有用。 定义Tensor2Tensor问题 想要使用Tensor2Tensor（T2T），你要做的第一件事就是确定你要用它做什么，即问题是什么。这定义了你解决的任务，你使用的数据集，以及词汇表（如果可用）。 如果你使用预置的问题，Tensor2Tensor会自动下载和准备用于训练的数据。 你首先需要选择一个目录来存储T2T将为你下载的未处理数据。目录名为tmp_dir。 Tensor2Tensor中名为data_dir。同样，你可以在适当时重用目录。
3K30发布于 2018-12-11 - 来自专栏新智元
【开源】谷歌“一个模型解决所有DL难题”背后的Tensor2Tensor
现在，谷歌将Tensor2Tensor开源，包含各种数据集和模型，用户可以使用来运行模型或实验自己的新想法。 用 Tensor2Tensor 库加速深度学习 深度学习（DL）已经推进了许多有用的技术，例如机器翻译，语音识别和物体检测。 今天，我们很高兴地发布Tensor2Tensor（T2T），这是一个用于在 TensorFlow上训练深度学习模型的开源系统。 在 Tensor2Tensor 贡献 除了探索现有的模型和数据集外，你还可以轻松定义自己的模型，并且将自己的数据集添加到Tensor2Tensor中。 致谢 在许多工程师和研究人员的广泛合作下，我们得以发布Tensor2Tensor。
1.1K40发布于 2018-03-27 - 来自专栏微信模式识别中心技术分享
“变形金刚”为何强大：从模型到代码全面解析Google Tensor2Tensor系统
作者是腾讯微信模式识别中心高级研究员张金超博士 导语： Google Tensor2Tensor系统是一套十分强大的深度学习系统，在多个任务上的表现非常抢眼。 本文对Tensor2Tensor系统从模型到代码进行了全面的解析，期望能够给大家提供有用的信息。 第一章：概述 Tensor2Tensor（T2T）是Google Brain Team在Github上开源出来的一套基于TensorFlow的深度学习系统。 第三章：Tensor2Tensor系统实现深度解析 Tensor2Tensor的系统存在一些特点，导致使用和理解的时候可能会存在一些需要时间来思考和消化的地方，在此根据个人的理解，写出一些自己曾经花费时间的地方 3.2 深度掌握篇 3.2.1 Tensor2Tensor系统实现的特点 下面列出了要深度掌握Tensor2Tensor系统时，可能因为其实现特点，会遇到的一些问题： 1
8.5K111发布于 2018-06-28 - 来自专栏机器之心
一个模型库学习所有：谷歌开源模块化深度学习系统Tensor2Tensor
昨天，谷歌发布了一个名为 Tensor2Tensor（T2T）的 TensorFlow 开源系统，希望能够以此提高机器学习社区的研究和开发速度，其中包含了谷歌近期提出的多个最新模型。 链接：https://github.com/tensorflow/tensor2tensor 深度学习（DL）在很多技术领域中都已获得广泛应用，包括机器翻译、语音识别和物体识别等。 昨天，谷歌研究人员发布了 Tensor2Tensor（T2T），一个用于在 TensorFlow 中训练深度学习模型的开源系统。 为 Tensor2Tensor 做贡献 除了探索现有的模型和数据集之外，你还可以轻易定义自己的模型并把数据集添加到 T2T。 因此，前往我们的 Github 库（https://github.com/tensorflow/tensor2tensor），尝试一些新模型，并贡献出你的吧。
91080发布于 2018-05-08 - 来自专栏量子位
Google开源模块化多任务训练库T2T，最近重要论文的模型全在里面
Google Research Blog 量子位 报道 | 公众号 QbitAI Google Brain团队昨天发布的“一个模型学会一切”论文背后，有一个用来训练MultiModel模型的模块化多任务训练库：Tensor2Tensor 今天，我们很高兴发布Tensor2Tensor (T2T)，一个用于在TensorFlow中训练深度学习模型的开源系统。 相关资源 Tensor2Tensor GitHub： https://github.com/tensorflow/tensor2tensor Google Research Blog原文： https:
84660发布于 2018-03-29 - 来自专栏量子位
已开源！谷歌将AutoML应用到Transformer架构，实现机器翻译最佳性能
目前，Evolved Transformer已开源，也是Google基于TensorFlow新架构Tensor2Tensor的一部分了，任何人都可以免费使用。 ://ai.googleblog.com/2019/06/applying-automl-to-transformer.html 开源地址：https://github.com/tensorflow/tensor2tensor /blob/master/tensor2tensor/models/evolved_transformer.py 论文地址： https://arxiv.org/abs/1901.11117 — 完 —
89110发布于 2019-06-20 - 来自专栏AI科技评论
四种常见NLP框架使用总结
我们首先介绍广泛用于NLP/CV领域的TensorFlow框架——Tensor2Tensor，该框架提供了NLP/CV领域中常用的基本模型。 一、Tensor2Tensor Tensor2Tensor[1]是一个基于TensorFlow的较为综合性的库，既包括一些CV 和 NLP的基本模型，如LSTM，CNN等，也提供一些稍微高级一点的模型， Tensor2Tensor（Transformer）使用方法 注意：有可能随着版本迭代更新的过程中会有局部改动 安装环境 1. 安装CUDA 9.0 （一定是9.0，不能是9.2） 2. 安装Tensor2Tensor (参考官网安装) 开始使用 1. 数据预处理 这一步骤是根据自己任务自己编写一些预处理的代码，比如字符串格式化，生成特征向量等操作。 2. Tensor2Tensor涵盖比较全面，但是只支持TensorFlow。AllenNLP最大的优点在于简化了数据预处理、训练和预测的过程。
2.4K10发布于 2019-08-15 - 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！
AI 科技评论按：6月19日，谷歌发布了T2T（Tensor2Tensor）深度学习开源系统，这个系统的一大优点是模块化，这也就意味着系统更加灵活，适应性更强。深度学习的研究进度也会因此而加速。 可喜的是，谷歌终于找到了解决这一问题的办法，发布了T2T（Tensor2Tensor），一个用于在TensorFlow上训练深度学习模型的开源系统。 for Neural Machine Translation One Model To Learn Them All Github操作说明：https://github.com/tensorflow/tensor2tensor
1.2K80发布于 2018-03-13 - 来自专栏机器之心
资源 | 2017年GitHub中最为流行的30个开源机器学习项目
GitHub 3310 stars） 链接：https://github.com/lllyasviel/style2paints 参考内容：Style2paints：专业的AI漫画线稿自动上色工具 No.12 Tensor2Tensor ：用于广义序列-序列模型的工具库，来自 Google Brain 的 Ryan Sepassi（GitHub 3087 stars） 链接：https://github.com/tensorflow/tensor2tensor 参考内容：一个模型库学习所有：谷歌开源模块化深度学习系统Tensor2Tensor No.13 CycleGAN and pix2pix in PyTorch：基于 PyTorch 的图像-图像转换工具
1K110发布于 2018-05-10 - 来自专栏机器之心
业界 | 谷歌全新神经网络架构Transformer：基于自注意力机制，擅长自然语言理解
Tensor2Tensor 库（谷歌最近的开源库）为我们的实验提供了极大的加速。实际上使用该软件库，我们通过少量命令迅速构建 Transformer 网络。 ? Tensor2Tensor 库 GitHub 地址：https://github.com/tensorflow/tensor2tensor/ 原文链接：https://research.googleblog.com
3.9K70发布于 2018-05-08 - 来自专栏ATYUN订阅号
谷歌发布机器翻译模型最新版本Universal Transformer，性能提高近50%
如果你想自己尝试一下，在开源的Tensor2Tensor存储库中可以找到用于训练和评估Universal Transformer的代码：github.com/tensorflow/tensor2tensor /blob/master/tensor2tensor/models/research/universal_transformer.py
2K40发布于 2018-09-26 - 来自专栏语言、知识与人工智能
transformer框架概述
还想提一下Google的一个开源项目Tensor2Tensor，这里面融入了不同的深度网络模型，包括transformer，来实现各种不同的NLP和CV的任务，有兴趣的读者可以去GitHub（ https ://github.com/tensorflow/tensor2tensor）逛逛。 Image Transformer[J]. arXiv preprint arXiv:1802.05751, 2018. [6] https://github.com/tensorflow/tensor2tensor
5.1K90发布于 2018-08-14 - 来自专栏机器之心
谷歌大脑提出基于流的视频预测模型，可产生高质量随机预测结果
复现代码 复现实验结果可用代码可在公开的 Tensor2Tensor repo中获取：https://github.com/tensorflow/tensor2tensor/blob/master/tensor2tensor
1.1K30发布于 2019-03-19 - 来自专栏新智元
谷歌将AutoML应用于Transformer架构，翻译结果飙升，已开源！
我们是将此新模型作为Tensor2Tensor的部分发布，它可用于任何序列问题。 Evolved Transformer 作为Tensor2Tensor的一部分已开源，在那里它可以用于任何序列问题。
55820发布于 2019-06-19 - 来自专栏大数据文摘
我们对比了GitHub上8800个开源机器学习项目，并选出了其中的Top30
Style2Paints：AI漫画线稿上色工具 GitHub stars数: 3310个 链接： https://github.com/lllyasviel/style2paints No.12 - Tensor2Tensor 用于广义序列-序列模型的工具库 GitHub stars数目: 3087个 来源：Google Brain 的Ryan Sepassi 链接： https://github.com/tensorflow/tensor2tensor
73140发布于 2018-05-24 - 来自专栏携程技术
干货 | 关于机器翻译，看这一篇就够了
保留部分已计算的状态，在内存开销和计算开销中做TradeOff，实现加速 Tensor2Tensor给出了谷歌官方最初的Transformer开源实现，其中vanilla-transformer的推理Cache 是否使用Cache对Transforer性能的影响（数据来自Tensor2Tensor相关Issue，考量了BatchSize、SentenceLength、BeamSize三个维度） ? ? ? 所以针对相对位置编码的变种Transformer实现Cache加速对于最终的模型迭代落地非常重要，在确保模型精度不变的前提下，线上的平均推理延迟经验证可降至50%左右，相关的PR以及可视化方案已被合并入Tensor2Tensor
2.9K40发布于 2019-05-24 - 来自专栏数据派THU
谷歌将AutoML应用于Transformer架构，翻译结果飙升，已开源！
我们是将此新模型作为Tensor2Tensor的部分发布，它可用于任何序列问题。 Evolved Transformer 作为Tensor2Tensor的一部分已开源，在那里它可以用于任何序列问题。
64310发布于 2019-06-28 - 来自专栏数据派THU
小白看得懂的 Transformer (图解)
论文相关的Tensorflow的代码可以从GitHub获取，其作为Tensor2Tensor包的一部分。哈佛的NLP团队也实现了一个基于PyTorch的版本，并注释该论文。 请务必检查Tensor2Tensor notebook ，在里面你可以下载一个Transformer模型，并用交互式可视化的方式来检验。 如果你想在这个领域深入，我建议可以走以下几步：阅读Attention Is All You Need，Transformer博客和Tensor2Tensor announcement，以及看看Łukasz abs/1706.03762 Transformer博客： https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html Tensor2Tensor /blob/master/tensor2tensor/notebooks/hello_t2t.ipynb 接下来可以研究的工作： Depthwise Separable Convolutions for
1.1K20编辑于 2023-03-29 - 来自专栏人工智能的秘密
Mybridge AI精选的2017年30个开源机器学习项目
utm_source=mybridge&utm_medium=blog&utm_campaign=read_more [Github上3310颗星] 第 12 名 Tensor2Tensor：Google Research的广义序列到序列模型库 （Tensor2Tensor: A library for generalized sequence to sequence models — Google Research ）https://github.com/tensorflow/tensor2tensor?
1.9K80发布于 2018-01-08 - 来自专栏AI科技评论
玩转TensorFlow？你需要知道这30个功能
网址：https://www.tensorflow.org/guide/keras 12）Tensor2Tensor Tensor2Tensor 是一个深度学习模型和数据集的开源软件库，它可以让深度学习变得更容易上手 网址：https://github.com/tensorflow/tensor2tensor 13）XLA（线性代数计算加速） XLA 是线性代数领域特定的编译器，它优化了 TensorFlow 的计算方式
1.2K20发布于 2018-12-24
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