Startseite Projekte UER-py
UER-py
Python

UER-py

Open Source Pre-training Model Framework in PyTorch & Pre-trained Model Zoo

von dbiir · GitHub
Sterne
Forks
Erstellt
Letzter Commit
Kategorie
Sprache
albertbartbertApache-2.0Python
Auf GitHub ansehen
In einfachen Worten

Verwenden Sie vortrainierte KI-Modelle für Aufgaben der natürlichen Sprachverarbeitung und passen Sie diese an Ihre Bedürfnisse an.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
UER-py — GitHub preview card
📈 Sternhistorie
3 1113 109
2026-07-072026-08-31
📈 UER-py verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

Open Source Pre-training Model Framework in PyTorch & Pre-trained Model Zoo

UER-py hat 3.1k Sterne auf GitHub. Es wurde 521-mal geforkt. UER-py ist hauptsächlich in Python geschrieben. Es wird seit 2019 aktiv entwickelt. UER-py ist unter der Apache-2.0-Lizenz verfügbar. Die Hauptthemen sind: albert, bart, bert, chinese.

Frequently asked questions

Was ist UER-py?

Open Source Pre-training Model Framework in PyTorch & Pre-trained Model Zoo

Ist UER-py Open Source?

UER-py ist ein Open-Source-Projekt. Es wird unter der Apache-2.0-Lizenz veröffentlicht.

Ist UER-py kostenlos?

Ja. UER-py ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht UER-py?

UER-py ist unter der Apache-2.0-Lizenz verfügbar.

In welcher Sprache ist UER-py geschrieben?

UER-py ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — UER-py

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=dbiir-uer-py)](https://olud.ai/project/dbiir-uer-py.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.