#GPT-2
spacy-transformers
spacy-transformers通过Hugging Face的transformers实现预训练模型如BERT、XLNet和GPT-2的集成，提升spaCy的功能。支持多任务学习、转换器输出自动对齐等，兼容Python 3.6以上版本，需要PyTorch v1.5+和spaCy v3.0+。
picoGPT
picoGPT是一个极简风格的GPT-2实现版本，采用NumPy全面编写，前向传播过程在短短40行代码中展开。它虽然运行缓慢，不支持多重训练或高级的采样方法，但其独特的简化设计提供了一种有趣的学习与试验环境，极适合AI和机器学习领域的爱好者及开发者。
transformer-explainer
Transformer Explainer 是一款互动可视化工具，帮助理解基于Transformer的模型如GPT的工作原理。该工具在浏览器中运行实时的GPT-2模型，允许实验自己的文本并实时观察Transformer内部组件的协同预测过程。适合技术人员与学习者深入探索Transformer模型机制与应用。
REaLTabFormer
REaLTabFormer使用Seq2Seq模型生成关系数据集，针对非关系数据采用GPT-2模型，直接建模任意独立观察的表格数据。通过生成父表和关系表，利用目标掩码和统计方法避免过拟合。实验结果表明其在捕捉关系结构方面优于基准模型，并在大型非关系数据集上实现了先进的预测效果。REaLTabFormer易于安装和使用，并提供样本验证器以提高生成数据的有效性和准确性。
gpt-2-tensorflow2.0
该项目实现了OpenAi GPT-2模型在Tensorflow 2.0中的预训练和序列生成，并提供详细的设置和训练指南。用户可以使用示例数据进行预训练或下载OpenWebText数据进行训练。支持多GPU分布式训练，并提供命令行接口和TensorBoard集成，帮助高效地进行模型训练和优化。项目遵循MIT许可证，社区贡献和改进热烈欢迎。
llm-resource
LLM百宝箱是大模型相关资源的综合汇总，包括算法、训练、推理、数据工程、压缩和测评等方面。用户可以通过目录和链接快速找到相关内容，如Transformer和GPT模型的原理和源码解析，以及混合专家模型（MoE）等前沿技术。此外，还提供了LLM微调、对齐和推理优化的实现方案和技巧，帮助开发者和研究者深入掌握并应用大模型技术。
commented-transformers
详细注释的Transformer实现，涵盖从头创建Transformer系列，包括注意力机制和整体Transformer的实现。提供双向注意力、因果注意力及因果交叉注意力的实现，以及GPT-2和BERT模型的单文件实现，兼容torch.compile(..., fullgraph=True)以提高性能。
gpt2client
gpt2-client是一款易于使用的GPT-2模型封装工具，支持从124M到1.5B的多种模型。通过简单的API调用，可以方便地下载、加载并使用GPT-2模型进行文本生成和微调。兼容Python 3.5以上和TensorFlow 1.X，适合自然语言处理研究和应用开发，提供高效的文本生成解决方案。
LoRA
LoRA通过低秩分解矩阵实现大型语言模型的低秩适配，减少了训练参数数量，实现高效的任务切换和存储节省。它在GLUE基准测试中的表现与完全微调相当或更好，同时显著降低了参数需求。LoRA支持RoBERTa、DeBERTa和GPT-2等模型，并已集成到Hugging Face的PEFT库中，提供了便捷的适配解决方案。