：一个 javascript 纯前端的中文汉字转拼音 #工具 库

：一个 javascript 纯前端的中文汉字转拼音 #工具 库 特色功能 获取汉字、词语、句子等多种格式的拼音 获取声母 获取韵母 获取拼音首字母 获取音调 获取多音字的多种拼音 支持人名姓氏模式 支持自定义拼音 支持字符串和数组两种输出形式 支持拼音文本匹配功能

3月23日，360智脑宣布正式内测500万字长文本处理功能，该功能即将入驻360AI浏览器，同时360AI浏览器APP也即将上线

3月23日，360智脑宣布正式内测500万字长文本处理功能，该功能即将入驻360AI浏览器，同时360AI浏览器APP也即将上线。此前，月之暗面也宣布Kimi智能助手启动200万字内测，文心一言计划在下个月将字数上限提高至200万-500万字。 2月29日，360AI浏览器已向用户免费开放100万字长文本阅读功能，可一分钟读完《三体》，并就文本外的“超纲”问题进行问答和延展学习，此次长文本处理能力进一步提升，将大幅提升用户使用体验。此外360AI浏览器也支持对视频、音频、网页和中英文论文等常用文档类型的处理，可以帮助用户自动总结要点、生成思维导图等。 via 匿名 标签: #AI #360浏览器 频道: @GodlyNews1 投稿: @GodlyNewsBot

：用于文本处理的命令行工具，提供简单直观的命令选项，支持对文件或标准输入的处理，兼容 Mac 和 Linux

：用于文本处理的命令行工具，提供简单直观的命令选项，支持对文件或标准输入的处理，兼容 Mac 和 Linux purl是一个可以帮助你轻松处理来自不同来源的数据的工具。以下是它的主要特点： 灵活的数据输入和输出：你可以直接输入数据或从文件中输入数据。同样，你可以选择将数据直接输出到屏幕或将其保存回文件。 简单命令-replace：使用、-filter、 和等简单选项-exclude来管理你的数据。 轻松编辑文件：该-overwrite选项可让你直接更新文件，使更改快速而简单。 彩色输出：使用该-filter选项时，屏幕上的输出可以是彩色的。你可以使用-color或-no-color选项来控制它。 该工具用户友好且有效，适用于不同的数据处理任务。 评论区有演示视频

格式转换大全文档类

格式转换大全 文档类 PDF24 Tools https://tools.pdf24.org/zh/ 转转大师 https://pdftoword.55.la/ Convertio https://convertio.co/zh/ Smallpdf.com https://smallpdf.com/cn iLovePDF https://www.ilovepdf.com/zh-cn PDF Candy https://pdfcandy.com/ PDF转DOC https://pdf2doc.com/zh/ 在线转换器 https://cn.office-converter.com/ TXT文本处理工具 http://www.txttool.com/ 迅捷PDF转换器免费版 http://app.xunjiepdf.com/ Word转PDF http://www.pdfdo.com/doc-to-pdf.aspx HiPDF https://www.hipdf.cn/ 免费PDF转Word https://lightpdf.com/zh/pdf-to-word 在线 PDF 转换器 https://www.pdf2go.com/zh Converter.com https://cn.office-converter.com/ Speedpdf https://speedpdf.cn/zh-cn/ pdf转word破解版 http://www.topdf.cn/pdftoword OnlineConvert https://tw.onlineconvert.com/ AnyConv 转换器 https://anyconv.com/tw/ 极速img https://jisuimg.com/zh-cn/ 在线转换文档 https://www.aconvert.com/cn/ PDF转Word https://www.alltoall.net/ Convert document https://www.aconvert.com/ Neat Converter https://www.neat-reader.cn/downloads/converter PDFdo.com http://www.pdfdo.com/ pdf怎么转换成word,PDF转WORD文件,免费PDF转换器 - 记灵工具 https://remeins.com/ pdf转word_pdf转换成excel_pdf转换成ppt _纬来PDF转换器 https://www.pdfpai.com/ Jpeg.io | Convert any major image format into a highly optimized JPEG https://www.jpeg.io/ 图片类 在线图片压缩_视频转GIF软件_GIF裁剪合成工具-图贴士 https://www.tutieshi.com/ 在线图片压缩工具(jpg、jpeg、png、gif)无损压缩90%-压缩图 https://www.yasuotu.com/ 图片压缩_图片在线压缩_批量压缩工具-NiaoAPI http://www.niaoapi.com/ 视频类 Convert Heic to JPEG for free | Made by JPEGmini https://heictojpg.com/ 在线免费的视频转gif工具 https://www.mnggiflab.com/product/video-to-gif

机器学习方案手册，一本包含逐步说明为各种任务训练深度学习模型的书。内容覆盖自然语言处理、计算机视觉、图像与文字

机器学习方案手册，一本包含逐步说明为各种任务训练深度学习模型的书。内容覆盖自然语言处理、计算机视觉、图像与文字 本书分为3个部分： 自然语言处理（NLP） 计算机视觉（CV） 图片和文字 以下是本节各章的简要概述： 命名实体识别- 讨论使用conllpp 数据集识别命名实体的训练转换器模型。我们将使用的特定模型称为bert-base-cased。该模型是原始 BERT 的较小版本，并且区分大小写，这意味着它将大写和小写字母视为不同。 掩蔽语言建模- 与填空问题类似，我们训练一个模型来使用xsum 数据集预测句子中的掩蔽词。我们将使用的特定模型称为distilbert-base-uncased。这是 bert base uncased 模型的精炼版本，它以相同的方式处理大写和小写字母。 机器翻译在本章中，训练一个模型将文本从英语翻译成西班牙语。我们将在新闻评论数据集上训练来自赫尔辛基 NLP 小组的变压器模型。 总结在本章中，训练了一个多语言模型来总结英语和西班牙语句子。使用的模型是 T5 Transformer 模型的多语言版本，使用的数据集是amazon reviews dataset。 因果语言建模- 本章重点介绍训练模型以自动完成 Python 代码。为此，我们将使用用于训练代码鹦鹉模型的数据。 计算机视觉部分涵盖了该领域下最常见的任务。本节中的章节使用pytorch 闪电、pytorch 图像模型（timm）、 albumentations库和权重和偏差平台。以下是本节各章的简要概述： 图像分类- 我们将训练卷积神经网络 (CNN) 模型对动物图像进行分类。我们将使用的 CNN 模型是“resnet34”，使用的数据集是动物图像数据集。 图像分割- 本章侧重于训练模型以分割给定图像中的道路。我们将使用 U-net 模型来完成此任务。 物体检测在本章中，我们将专注于检测图像中的汽车。我们将预测与图像中包围汽车的边界框相对应的坐标。对于这个任务，我们将使用 fast-rcnn 模型。 最后一节包含训练模型以在给定图像的情况下生成标题的章节。它将有一个视觉转换器作为编码器，gpt-2 模型作为解码器。 || #电子书 #机器学习 #手册

咬文嚼字：词元是当今生成式人工智能失败的一个重要原因

咬文嚼字：词元是当今生成式人工智能失败的一个重要原因 因此，出于实用性和技术性的考虑，今天的转换器模型使用的文本已经被分解成更小、更小的片段，这些片段被称为标记这一过程被称为标记化。词元可以是单词，如"fantastic"。也可以是音节，如"fan"、"tas"和"tic"。根据标记化器（标记化模型）的不同，它们甚至可以是单词中的单个字符（例如，"f"、"a"、"n"、"t"、"a"、"s"、"t"、"i"、"c"）。使用这种方法，转换器可以在达到称为上下文窗口的上限之前接收更多信息（语义意义上的）。但标记化也会带来偏差。有些标记符有奇特的间距，这会使转换器出错。例如，词元转换器可能会将"once upon a time"编码为"once"、"on"、"a"、"time"，而将"once upon a"（有尾部空白）编码为"once"、"on"、"a"、"."。根据对模型的提示方式"once upon a"还是"once upon a ,"结果可能完全不同，因为模型并不能理解（就像人一样）意思是一样的。标记符号化器处理大小写的方式也不同。对模型来说，"Hello"并不一定等同于"HELLO"；"hello"通常是一个标记（取决于标记化器），而"HELLO"可能有三个标记（"HE"、"El"和"O"）。这就是许多转换器无法通过大写字母测试的原因。东北大学研究大型语言模型可解释性的博士生 Sheridan Feucht 对此表示："对于语言模型来说，'词'到底应该是什么，这个问题有点难以解决，即使我们让人类专家就完美的标记词汇达成一致，模型可能仍然会认为进一步'分块'是有用的。"我的猜测是，由于这种模糊性，不存在完美的标记符号生成器。"这种"模糊性"给英语以外的语言带来了更多问题。许多标记化方法都认为句子中的空格表示一个新词。这是因为它们是针对英语设计的。但并非所有语言都使用空格来分隔单词。汉语和日语不使用空格，韩语、泰语和高棉语也不使用。2023 年牛津大学的一项研究发现，由于非英语语言的标记化方式不同，转换器完成一项非英语语言任务所需的时间可能是英语任务的两倍。同一项研究和另一项研究发现，"标记效率"较低的语言的用户很可能会看到更差的模型性能，但却要支付更高的使用费用，因为许多人工智能供应商是按标记收费的。标记化器通常将逻各斯书写系统中的每个字符（在这种系统中，印刷符号代表单词，而与发音无关，如中文）视为一个独立的标记，从而导致标记数较高。同样，标记化器在处理凝集语（单词由称为词素的有意义的小词元组成，如土耳其语）时，往往会将每个词素变成一个标记，从而增加总体标记数。(在泰语中，"hello"的对应词สวัสดี有六个标记）。2023 年，Google DeepMind 人工智能研究员 Yennie Jun进行了一项分析，比较了不同语言的标记化及其下游效果。通过使用一个翻译成 52 种语言的平行文本数据集，Jun 发现有些语言需要多达 10 倍的标记才能表达英语中的相同含义。除了语言上的不平等，标记化也可以解释为什么今天的模型数学不好。数字标记化很少能保持一致。因为它们并不真正了解数字是什么，标记符号化器可能会将"380"视为一个标记符号，而将"381"表示为一对（"38"和"1"）这实际上破坏了数字之间的关系以及方程和公式中的结果。结果就是转换器混乱；最近的一篇论文表明，模型很难理解重复的数字模式和上下文，尤其是时间数据。(参见：GPT-4认为7735 大于 7926）。这也是模型不擅长解决变位问题或颠倒单词的原因。标记化显然给生成式人工智能带来了挑战。它们能被解决吗？也许吧。Feucht 指出，像MambaByte 这样的"字节级"状态空间模型，通过完全取消标记化，可以摄取比转换器多得多的数据，而不会影响性能。MambaByte 可直接处理代表文本和其他数据的原始字节，在语言分析任务方面可与某些转换器模型媲美，同时还能更好地处理"噪音"，如带有交换字符、间距和大写字母的单词。不过，像 MambaByte 这样的模式还处于早期研究阶段。"最好的办法可能是让模型直接查看字符，而不强加标记化，但现在这对变换器来说在计算上是不可行的，"Feucht 说。"特别是对于变换器模型来说，计算量与序列长度成二次方关系，因此我们真的希望使用简短的文本表示"。如果不能在词元化方面取得突破，新的模型架构似乎将成为关键。 ... PC版： 手机版：