trocr-base-stage1

以Transformer为基础的图像文字识别预训练模型

Hugging Face 文本Transformer 开源项目光学字符识别 TrOCR 模型 Huggingface 图像Transformer Github

此预训练模型使用Transformer进行光学字符识别（OCR），为TrOCR模型的一部分。其图像编码器采用BEiT权重初始化，文本解码器则使用RoBERTa权重，处理图像为固定大小的16x16像素块并线性嵌入。适用于单行文本图像的OCR任务，并支持针对特定任务进行微调，兼容PyTorch实现。

TransformerHub - 实现与参考多种Transformer模型

BERTGPTGithubTransformerTransformerHubViT开源项目

此项目实现了多种Transformer架构，包括seq2seq、仅编码器、仅解码器和统一模型，旨在提高编程技能并提供深度学习参考。特色包括多种Attention模块、位置嵌入和采样方法，当前进展是实现DINO模型。项目受到多个开源项目的启发和支持。

opt-1.3b - Meta AI开发的开源预训练Transformer语言模型系列

GithubHuggingfaceOPT人工智能开源项目模型自然语言处理语言模型预训练模型

OPT是Meta AI开发的开源预训练Transformer语言模型系列,包含125M至175B参数的多个版本。采用先进数据收集和训练方法,性能可媲美GPT-3。该项目旨在推动大规模语言模型的可复现研究,让更多研究者参与探讨其影响。OPT主要应用于文本生成和下游任务微调,但仍存在偏见等局限性。

Transformer-TTS - 神经语音合成系统

GithubPyTorchTacotronTransformer-TTS开源项目神经网络语音合成

Transformer-TTS，一个基于Pytorch的高效神经语音合成系统。它使用Transformer网络，且训练速度是传统seq2seq模型的3到4倍。不仅提供预训练模型，其合成语音质量经实验证明优异。同时，项目支持自定义学习模型及策略，包括Noam式预热衰减学习率及关键的梯度裁剪等，是语音合成研究的理想选择。

Transformers-Tutorials - Transformers库深度学习模型教程集合

GithubHuggingFaceTransformers开源项目深度学习自然语言处理计算机视觉

这个项目汇集了基于HuggingFace Transformers库的多种深度学习模型教程，涵盖自然语言处理和计算机视觉等领域。内容包括BERT、DETR、LayoutLM等模型的微调和推理示例，展示了在图像分类、目标检测、文档分析等任务中的应用。所有代码采用PyTorch实现，并提供Colab notebooks方便实践。

t5-11b - 统一框架下的多语言文本转换模型

GithubHuggingfaceT5开源项目文本转换模型自然语言处理迁移学习预训练模型

T5-11B是一个基于Text-To-Text Transfer Transformer架构的大型语言模型，拥有110亿参数。该模型采用统一的文本到文本格式，能够处理机器翻译、文档摘要、问答和分类等多种NLP任务。T5-11B在Colossal Clean Crawled Corpus (C4)上进行预训练，并在24个任务上评估性能。模型支持英语、法语、罗马尼亚语和德语，展现出优秀的迁移学习能力，为自然语言处理应用奠定了坚实基础。

tokenizer_titok_s128_imagenet - 基于PytorchModelHubMixin的开源图像标记化模型

GithubHugging FaceHuggingfacePytorchModelHubMixin图像标记化开源项目机器学习模型模型深度学习

tokenizer_titok_s128_imagenet是一个开源的图像标记化模型，基于Apache-2.0许可。该项目利用PytorchModelHubMixin技术与Hugging Face模型库集成，专注于图像tokenization。它支持PyTorch模型hub功能，为图像处理研究和开发提供了实用工具。项目源码托管于GitHub的1d-tokenizer仓库。

beit-base-patch16-224-pt22k-ft22k - BEiT 基于Transformer的自监督图像分类模型

BEiTGithubHuggingfaceImageNet图像分类开源项目模型自监督学习视觉转换器

BEiT是一种基于Transformer的图像分类模型,在ImageNet-22k数据集上进行自监督预训练和微调。它采用掩码预测目标和相对位置编码,有效学习图像表示。该模型在多个图像分类基准测试中表现出色,为计算机视觉任务提供了强大的基础。

mit-b0 - 轻量级视觉Transformer用于语义分割

GithubHuggingfaceSegFormerTransformer图像处理开源项目模型深度学习语义分割

mit-b0是SegFormer系列中的轻量级模型，采用分层Transformer编码器架构，在ImageNet-1k数据集上预训练。这个模型专为语义分割任务设计，结合了Transformer的特征提取能力和轻量级MLP解码头。mit-b0在ADE20K等基准测试中表现出色，为研究人员提供了一个可靠的预训练基础，可在特定数据集上进行进一步微调和优化。

layoutlmv3-base - 多模态文档AI预训练模型

Document AIGithubHuggingfaceLayoutLMv3多模态预训练开源项目文本图像掩码文档人工智能模型

LayoutLMv3是一款文档AI预训练模型，采用统一的文本和图像掩码方法。该模型架构简单，训练目标明确，适用于多种文档AI任务。通过微调，LayoutLMv3可用于表单理解、收据识别、文档问答等文本相关任务，以及文档图像分类、文档布局分析等图像相关任务。作为通用预训练模型，LayoutLMv3在文档AI领域的多项任务中表现出色。

git-base-coco - 应用于多任务的图像文本生成模型

COCOGITGithubHuggingface图像识别开源项目模型模型训练视觉问答

GIT是一种基于Transformer的图像文本生成模型，进行了COCO数据集的微调。其设计提升了在图像和视频描述以及问答上的能力。模型结合了CLIP图像令牌与文本令牌进行训练，能够有效预测下一个文本令牌。GIT被应用于图像和视频的标题生成、视觉问答和图像分类等视觉任务，利用大量图像文本对进行训练，实现了多样化的视觉语言任务，提升了视觉理解和交互的效果。

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com