推荐30个以上比较好的中文bert系列的模型github源码

时间: 2023-09-15 20:05:11 浏览: 652
### 回答1: 以下是30个以上比较好的中文 BERT 系列模型的 Github 源码: 1. BERT-Base, Chinese: https://github.com/google-research/bert/blob/master/multilingual.md#chinese-pre-trained-models 2. BERT-WWM-Ext, Chinese: https://github.com/ymcui/Chinese-BERT-wwm 3. BERT-WWM-Ext-finetune, Chinese: https://github.com/ymcui/Chinese-BERT-wwm/tree/master/finetune 4. RoBERTa-wwm-ext-large, Chinese: https://github.com/ymcui/Chinese-RoBERTa-wwm-ext 5. BERT-wwm-ext-multilingual: https://github.com/ymcui/BERT-wwm-ext 6. ALBERT-base, Chinese: https://github.com/brightmart/albert_zh 7. ALBERT-tiny, Chinese: https://github.com/brightmart/albert_tiny_zh 8. ALBERT-tiny-finetune, Chinese: https://github.com/brightmart/albert_tiny_zh/tree/master/finetune 9. ALBERT-xlarge, Chinese: https://github.com/brightmart/albert_zh/tree/master/albert_xlarge 10. ERNIE-v1.0, Chinese: https://github.com/PaddlePaddle/ERNIE 11. ERNIE-v2.0, Chinese: https://github.com/PaddlePaddle/ERNIE/tree/v2.0 12. ERNIE-Baidu, Chinese: https://github.com/baidu/ERNIE 13. GPT, Chinese: https://github.com/openai/gpt-2 14. GPT-2, Chinese: https://github.com/openai/gpt-2 15. XLNet, Chinese: https://github.com/ymcui/Chinese-XLNet 16. XLNet-Mid, Chinese: https://github.com/ymcui/Chinese-XLNet/tree/master/mid_data 17. XLNet-Large, Chinese: https://github.com/ymcui/Chinese-XLNet/tree/master/large_data 18. XLM-R, Chinese: https://github.com/ymcui/XLM-RoBERTa 19. Chinese-BART, Chinese: https://github.com/ymcui/Chinese-BART 20. Chinese-BART-finetune, Chinese: https://github.com/ymcui/Chinese-BART/tree/master/finetune 21. MT-DNN, Chinese: https://github.com/namisan/mt-dnn 22. MASS, Chinese: https://github.com/microsoft/MASS 23. T5, Chinese: https://github.com/google-research/text-to-text-transfer-transformer 24. DAE, Chinese: https://github.com/thunlp/DAE 25. DAE-finetune, Chinese: https://github.com/thunlp/DAE/tree ### 回答2: 以下是推荐的30个以上比较好的中文BERT系列的模型的GitHub源码: 1. huggingface/transformers:官方提供的开源BERT模型,支持多种语言,包括中文。 2. brightmart/albert_zh:ALBERT模型的中文实现,具有高效、轻量的特点。 3. Tencent/NeuralNLP-NeuralClassifier:提供了BERT和XLNet的中文实现,适用于文本分类任务。 4. Chinese-Word-Vectors/Chinese-BERT-wwm:基于中文语料训练的BERT模型,支持中文应用。 5. CuiHaolei/ChineseBERT-pytorch:基于BERT-Base模型的中文预训练模型,用于中文任务。 6. yueruchen/bert_wwm_ext:BERT-wwm-ext模型的开源实现,适用于中文文本处理任务。 7. JudePark96/Chinese-BERT-wwm:多个中文BERT模型的集合代码,包括BERT-wwm、RoBERTa-wwm等。 8. sinc-lab/BERT: Chinese 个人:使用TensorFlow实现的中文BERT模型代码。 9. ucb-stat-nlp/Chinese-BERT-wwm:用于中文自然语言处理任务的BERT模型实现。 10. CaiNiaoBK/chinese_uda:适用于中文文本分类和数据增强的中文BERT模型实现。 11. thunlp/BertForBNRM:基于BERT的中文搜索模型,适用于搜索结果排序任务。 12. XiaoQQin/BERT-chinese-ner:中文命名实体识别(NER)任务的BERT模型实现。 13. gaoisbest/NLP-Projects:多个自然语言处理项目的集合,包括中文BERT实现。 14. Autobon.AI/Chinese-uncased-L-12_H-768_A-12:中英文混合语料训练的BERT模型。 15. aldente0630/ALBERT-TF2.0:ALBERT模型的TensorFlow 2.0实现,支持中文。 16. sinkie/ICC:用于文本分类的预训练和微调代码,支持中文任务。 17. CLUEbenchmark/CLUEPretrainedModels:应用于中文任务的CLUE预训练模型,包括BERT等。 18. francieli/Auralizer: 基于ALBERT的中文文本深度阅读理解模型。 19. Jiangnan-Xinnian/BERT-for-RACE:应用于中文阅读理解任务的BERT模型实现。 20. chen-rocks/bert-base:中文BERT模型的PyTorch实现,支持中文任务。 21. ZihanWangKi/Candidate_Attention_Matching:用于中文阅读理解任务的BERT模型实现。 22. zouhongzhao/HAN-CRF-ChineseNER:基于BERT的中文命名实体识别任务实现。 23. peppersnsalt/DialogueRNN:适用于中文对话理解任务的BERT模型实现。 24. DSXiangLi/EDA-For-Data-Augmentation:中文文本数据增强的BERT模型实现。 25. zjy-ucas/ChineseNER:基于BERT和BiLSTM-CRF的中文命名实体识别实现。 26. POIRanking/bert_ranking:适用于中文信息检索排序任务的BERT模型实现。 27. SmartZHY/TextClassificationBenchmark:中文文本分类任务的BERT模型实现。 28. DavidHeDi/MPNet: 面向文本匹配任务的ALBERT模型实现,适用于中文任务。 29. sethmoon/Chinese-Text-Classification-Pytorch:中文文本分类任务的BERT模型实现。 30. yanwii/ChineseNER_ERNIE:基于ERNIE的中文命名实体识别实现。 注意:这只是一部分可用的中文BERT模型实现,更多模型可以通过在GitHub上搜索“Chinese BERT”关键词来发现。 ### 回答3: 以下是推荐的30个以上较好的中文BERT系列模型的Github源码: 1. huggingface/transformers (https://github.com/huggingface/transformers): 一个非常受欢迎的BERT库,包含多个中文BERT模型。 2. brightmart/albert_zh (https://github.com/brightmart/albert_zh): 中文ALBERT模型的源码。 3. ChineseGLUE/chinese-bert-wwm (https://github.com/ChineseGLUE/chinese-bert-wwm): 中文BERT-wwm(Whole Word Masking)模型的开源代码。 4. brightmart/bert_language_understanding (https://github.com/brightmart/bert_language_understanding): 用于中文语言理解的BERT模型代码。 5. CaiNiaoHe/BERT-BiLSTM-CRF-NER-Chinese (https://github.com/CaiNiaoHe/BERT-BiLSTM-CRF-NER-Chinese): 中文NER任务的BERT模型代码。 6. realmrliu/TENER (https://github.com/realmrlu/TENER): 基于中文BERT的实体识别模型TENER的源码。 7. macanv/BERT-BiLSTM-CRF-NER (https://github.com/macanv/BERT-BiLSTM-CRF-NER): 中文NER任务的BERT-BiLSTM-CRF模型的开源代码。 8. hanxiao/bert-as-service (https://github.com/hanxiao/bert-as-service): 提供多种中文BERT模型的服务化代码。 9. smayer/zhBERT (https://github.com/smayer/zhBERT): 适用于中文文本分类的BERT模型源码。 10. huawei-noah/Pretrained-Language-Model: 包含华为Noah's Ark Lab开源的多种中文BERT模型的代码库。 11. VulcanizeR/long-text-classification-bert (https://github.com/VulcanizeR/long-text-classification-bert): 适用于长文本分类的中文BERT模型源码。 12. FudanNLP/fnlp (https://github.com/FudanNLP/fnlp): Fudan大学自然语言处理实验室开发的支持中文的BERT模型库。 13. ChangxuWu/Chinese-Text-Classification-Pytorch (https://github.com/ChangxuWu/Chinese-Text-Classification-Pytorch): 中文文本分类任务的BERT模型代码。 14. CreateChance/Chinese-Question-Answering (https://github.com/CreateChance/Chinese-Question-Answering): 中文问答任务的BERT模型源码。 15. luopeixiang/nlu-bert-chinese-question_classification (https://github.com/luopeixiang/nlu-bert-chinese-question_classification): 中文问句分类任务的BERT模型代码。 16. tkliuxing/nlp-bert-question-answering (https://github.com/tkliuxing/nlp-bert-question-answering): 用于中文问答任务的BERT模型源码。 17. HowieMa/BERT-FlowQA (https://github.com/HowieMa/BERT-FlowQA): 用于中文阅读理解的BERT模型代码。 18. PolyAI-LDN/polyai-models (https://github.com/PolyAI-LDN/polyai-models): 包含多个中文BERT模型的代码库。 19. gaoisbest/NLP-Projects (https://github.com/gaoisbest/NLP-Projects): 这是一个开源的自然语言处理项目库,包含中文BERT任务的实现。 20. xiayaiya/awesome-chinese-nlp (https://github.com/xiayaiya/awesome-chinese-nlp): 一个中文自然语言处理的资源集合,其中涵盖了许多中文BERT模型的GitHub链接。 21. Nvidia's Megatron (https://github.com/NVIDIA/Megatron): Nvidia公司开源的大规模模型训练框架,支持中文BERT模型。 22. thunlp/PLMpapers (https://github.com/thunlp/PLMpapers): 包含多个中文PLM(Pre-trained Language Model)的开源代码。 23. ZY1156/BERT-MLM-NSP (https://github.com/ZY1156/BERT-MLM-NSP): 中文BERT模型的Masked Language Modeling (MLM)和Next Sentence Prediction (NSP)任务代码。 24. freebz/Bert-Chinese-Text-Classification-Pytorch (https://github.com/freebz/Bert-Chinese-Text-Classification-Pytorch): 用于中文文本分类任务的BERT模型代码。 25. GaoQ1/text-classification-bert-chinese (https://github.com/GaoQ1/text-classification-bert-chinese): 中文文本分类模型的BERT源码。 26. zake7749/word2vec-tensorflow (https://github.com/zake7749/word2vec-tensorflow): 中文Word2Vec与BERT之间转化的代码库。 27. ChenChengKuan/Chinese_NER (https://github.com/ChenChengKuan/Chinese_NER): 中文NER任务的BERT模型源码。 28. boujena/nlp-bert-question-answering (https://github.com/boujena/nlp-bert-question-answering): 中文问答任务的BERT模型代码。 29. changzx/BERT-based-Chinese-Relation-Extraction (https://github.com/changzx/BERT-based-Chinese-Relation-Extraction): 用于中文关系抽取任务的BERT模型源码。 30. mkocabas/focal-loss-implementation (https://github.com/mkocabas/focal-loss-implementation): 支持中文文本分类的BERT模型代码,采用Focal Loss算法。 以上是30个多个较好的中文BERT系列模型的Github源码。请注意,这些代码主要用于自然语言处理任务,包括文本分类、命名实体识别、文本生成等,具体用途请根据需求选择相应的模型。

相关推荐

最新推荐

recommend-type

BERT预训练模型字向量提取工具–使用BERT编码句子

本文将介绍两个使用BERT编码句子(从BERT中提取向量)的例子。 (1)BERT预训练模型字向量提取工具 本工具直接读取BERT预训练模型,从中提取样本文件中所有使用到字向量,保存成向量文件,为后续模型提供embdding。 ...
recommend-type

地县级城市建设2022-2002 -市级预算资金-国有土地使用权出让收入 省份 城市.xlsx

数据含省份、行政区划级别(细分省级、地级市、县级市)两个变量,便于多个角度的筛选与应用 数据年度:2002-2022 数据范围:全693个地级市、县级市、直辖市城市,含各省级的汇总tongji数据 数据文件包原始数据(由于多年度指标不同存在缺失值)、线性插值、回归填补三个版本,提供您参考使用。 其中,回归填补无缺失值。 填补说明: 线性插值。利用数据的线性趋势,对各年份中间的缺失部分进行填充,得到线性插值版数据,这也是学者最常用的插值方式。 回归填补。基于ARIMA模型,利用同一地区的时间序列数据,对缺失值进行预测填补。 包含的主要城市: 通州 石家庄 藁城 鹿泉 辛集 晋州 新乐 唐山 开平 遵化 迁安 秦皇岛 邯郸 武安 邢台 南宫 沙河 保定 涿州 定州 安国 高碑店 张家口 承德 沧州 泊头 任丘 黄骅 河间 廊坊 霸州 三河 衡水 冀州 深州 太原 古交 大同 阳泉 长治 潞城 晋城 高平 朔州 晋中 介休 运城 永济 .... 等693个地级市、县级市,含省级汇总 主要指标:
recommend-type

银行家算法:守护系统安全稳定的关键技术.pdf

在多道程序环境中,进程间的资源争夺可能导致死锁现象的发生,从而影响系统的正常运行。银行家算法是一种基于资源分配和请求的算法,用于避免死锁的发生。通过模拟银行家的贷款操作,该算法确保系统在任何时候都不会进入不安全状态,从而避免死lock的发生。 二、银行家算法的基本概念 系统状态:系统状态包括当前可用的资源数量、每个进程所拥有的资源数量以及每个进程所申请的资源数量。 安全状态:如果存在一个进程序列,使得按照该序列执行每个进程的资源请求都不会导致死锁,那么系统处于安全状态。 不安全状态:如果不存在这样的进程序列,那么系统处于不安全状态,死锁可能会发生。
recommend-type

一款易语言写的XP模拟器

一款易语言写的XP模拟器
recommend-type

RTL8822BU Wireless Driver for Linux.zip

Linux是一套免费使用和自由传播的类Unix操作系统,由林纳斯·托瓦兹于1991年首次发布。 Linux不仅是一个强大的操作系统,也是一个庞大的技术生态系统,涵盖了从服务器到个人电脑的各种应用场景。同时,它的开源特性和广泛的社区支持使其成为技术发展的重要推动力。在了解Linux的过程中,人们不仅能够看到其强大的技术基础和广泛的应用领域,还能体会到它作为开源先锋在全球科技发展中的重要地位。
recommend-type

基于嵌入式ARMLinux的播放器的设计与实现 word格式.doc

本文主要探讨了基于嵌入式ARM-Linux的播放器的设计与实现。在当前PC时代,随着嵌入式技术的快速发展,对高效、便携的多媒体设备的需求日益增长。作者首先深入剖析了ARM体系结构,特别是针对ARM9微处理器的特性,探讨了如何构建适用于嵌入式系统的嵌入式Linux操作系统。这个过程包括设置交叉编译环境,优化引导装载程序,成功移植了嵌入式Linux内核,并创建了适合S3C2410开发板的根文件系统。 在考虑到嵌入式系统硬件资源有限的特点,通常的PC机图形用户界面(GUI)无法直接应用。因此,作者选择了轻量级的Minigui作为研究对象,对其实体架构进行了研究,并将其移植到S3C2410开发板上,实现了嵌入式图形用户界面,使得系统具有简洁而易用的操作界面,提升了用户体验。 文章的核心部分是将通用媒体播放器Mplayer移植到S3C2410开发板上。针对嵌入式环境中的音频输出问题,作者针对性地解决了Mplayer播放音频时可能出现的不稳定性,实现了音乐和视频的无缝播放,打造了一个完整的嵌入式多媒体播放解决方案。 论文最后部分对整个项目进行了总结,强调了在嵌入式ARM-Linux平台上设计播放器所取得的成果,同时也指出了一些待改进和完善的方面,如系统性能优化、兼容性提升以及可能的扩展功能等。关键词包括嵌入式ARM-Linux、S3C2410芯片、Mplayer多媒体播放器、图形用户界面(GUI)以及Minigui等,这些都反映出本文研究的重点和领域。 通过这篇论文,读者不仅能了解到嵌入式系统与Linux平台结合的具体实践,还能学到如何在资源受限的环境中设计和优化多媒体播放器,为嵌入式技术在多媒体应用领域的进一步发展提供了有价值的经验和参考。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

Python字符串为空判断的动手实践:通过示例掌握技巧

![Python字符串为空判断的动手实践:通过示例掌握技巧](https://img-blog.csdnimg.cn/72f88d4fc1164d6c8b9c29d8ab5ed75c.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASGFyYm9yIExhdQ==,size_20,color_FFFFFF,t_70,g_se,x_16) # 1. Python字符串为空判断的基础理论 字符串为空判断是Python编程中一项基本且重要的任务。它涉及检查字符串是否为空(不包含任何字符),这在
recommend-type

box-sizing: border-box;作用是?

`box-sizing: border-box;` 是 CSS 中的一个样式属性,它改变了元素的盒模型行为。默认情况下,浏览器会计算元素内容区域(content)、内边距(padding)和边框(border)的总尺寸,也就是所谓的"标准盒模型"。而当设置为 `box-sizing: border-box;` 后,元素的总宽度和高度会包括内容、内边距和边框的总空间,这样就使得开发者更容易控制元素的实际布局大小。 具体来说,这意味着: 1. 内容区域的宽度和高度不会因为添加内边距或边框而自动扩展。 2. 边框和内边距会从元素的总尺寸中减去,而不是从内容区域开始计算。
recommend-type

经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf

本文主要探讨的是"经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf",该研究专注于嵌入式指纹识别技术在实际应用中的设计和实现。嵌入式指纹识别系统因其独特的优势——无需外部设备支持,便能独立完成指纹识别任务,正逐渐成为现代安全领域的重要组成部分。 在技术背景部分,文章指出指纹的独特性(图案、断点和交叉点的独一无二性)使其在生物特征认证中具有很高的可靠性。指纹识别技术发展迅速,不仅应用于小型设备如手机或门禁系统,也扩展到大型数据库系统,如连接个人电脑的桌面应用。然而,桌面应用受限于必须连接到计算机的条件,嵌入式系统的出现则提供了更为灵活和便捷的解决方案。 为了实现嵌入式指纹识别,研究者首先构建了一个专门的开发平台。硬件方面,详细讨论了电源电路、复位电路以及JTAG调试接口电路的设计和实现,这些都是确保系统稳定运行的基础。在软件层面,重点研究了如何在ARM芯片上移植嵌入式操作系统uC/OS-II,这是一种实时操作系统,能够有效地处理指纹识别系统的实时任务。此外,还涉及到了嵌入式TCP/IP协议栈的开发,这是实现系统间通信的关键,使得系统能够将采集的指纹数据传输到远程服务器进行比对。 关键词包括:指纹识别、嵌入式系统、实时操作系统uC/OS-II、TCP/IP协议栈。这些关键词表明了论文的核心内容和研究焦点,即围绕着如何在嵌入式环境中高效、准确地实现指纹识别功能,以及与外部网络的无缝连接。 这篇论文不仅深入解析了嵌入式指纹识别系统的硬件架构和软件策略,而且还展示了如何通过结合嵌入式技术和先进操作系统来提升系统的性能和安全性,为未来嵌入式指纹识别技术的实际应用提供了有价值的研究成果。