基于Transformer的文本操作符
项目描述
Textformer: 基于Transformer的文本操作符
欢迎使用Textformer。
你是否曾经想要转换文本?你是否厌倦了重新实现和定义最先进的架构?如果是的话,Textformer是最佳选择!此包提供了一个简单的序列到序列和基于Transformer的架构实现,促进与文本生成和翻译相关的所有研究。
使用Textformer,如果你需要库或希望
- 创建您的网络;
- 设计或使用预加载的最先进架构;
- 混合匹配编码器和解码器来解决您的问题;
- 因为转换文本很有趣。
请参阅textformer.readthedocs.io上的文档。
Textformer与:Python 3.6+ 兼容。
包指南
- 您需要了解的第一批信息就在下一节。
- 如果您想阅读代码并深入了解,安装也非常简单。
- 请注意,为了使用我们的解决方案,可能需要一些额外的步骤。
- 如果有问题,请不要犹豫,联系我们。
入门:60秒了解Textformer
首先,我们有示例。是的,它们都有注释。只需浏览到 examples/
目录,选择你的子包,并按照示例操作。我们为几乎所有能想到的任务都提供了高级示例。
另外,如果你想要了解更多,请花一分钟时间。
Textformer 基于以下结构,你应该注意其树形结构。
- textformer
- core
- model
- datasets
- generative
- translation
- models
- decoders
- bi_gru
- conv
- gru
- lstm
- self_attention
- encoders
- bi_gru
- conv
- gru
- lstm
- self_attention
- layers
- attention
- multi_head_attention
- position_wide_forward
- residual_attention
- att_seq2seq
- conv_seq2seq
- joint_seq2seq
- seq2seq
- transformer
- utils
- constants
- exception
- logging
- visualization
核心
核心是核心。本质上,它是所有事物的父类。你应该找到定义我们结构基础的父类。它们应该提供变量和方法,以帮助构建其他模块。
数据集
因为我们需要数据,对吧?数据集由类和方法组成,允许为后续的转换器准备数据。
模型
每个神经网络架构都定义在这个包中。从 Seq2Seq 到 Transformers,你可以使用任何适合你需求的架构。
工具
这是一个工具包。应该在这里实现跨应用程序共享的常见事物。最好是实现一次,然后按需使用,而不是反复实现相同的事情。
安装
我们认为一切都应该简单。不复杂,也不令人畏惧,Textformer 将是您需要的包,从最初的安装到日常任务的实现需求。
pip install textformer
另外,如果您想安装最新版本,请克隆此存储库并使用。
pip install .
环境配置
请注意,有时需要额外的实现。如果需要,您将在这里了解所有细节。
Ubuntu
不需要特定的额外命令。
Windows
不需要特定的额外命令。
MacOS
不需要特定的额外命令。
支持
我们知道我们尽了最大努力,但承认我们犯错误是不可避免的。如果您需要报告错误、问题或与我们交谈,请这样做!我们将在这个存储库或 gustavo.rosa@unesp.br 上竭尽所能提供帮助。
项目详情
下载文件
下载适合您平台的文件。如果您不确定选择哪个,请了解更多关于 安装包 的信息。