[CVPR 2021] Implementación oficial de PyTorch para la Interpretabilidad de Transformadores Más Allá de la Visualización de Atención, un método novedoso para visualizar clasificaciones por redes basadas en Transformadores.
Visualizar cómo los modelos Transformer toman decisiones más allá de solo observar las puntuaciones de atención.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quieras[CVPR 2021] Implementación oficial de PyTorch para la Interpretabilidad de Transformadores Más Allá de la Visualización de Atención, un método novedoso para visualizar clasificaciones por redes basadas en Transformadores.
Transformer-Explainability tiene 2k estrellas en GitHub. Se ha bifurcado 260 veces. Transformer-Explainability está escrito principalmente en Jupyter Notebook. Se desarrolla activamente desde 2020. Transformer-Explainability está disponible bajo la licencia MIT. Sus temas principales son: attention-matrix, attention-visualization, bert, bert-model.
[CVPR 2021] Implementación oficial de PyTorch para la Interpretabilidad de Transformadores Más Allá de la Visualización de Atención, un método novedoso para visualizar clasificaciones por redes basadas en Transformadores.
Transformer-Explainability es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
Sí. Transformer-Explainability es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
Transformer-Explainability está disponible bajo la licencia MIT.
Transformer-Explainability está escrito principalmente en Jupyter Notebook.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://opensourceai.tech/project/hila-chefer-transformer-explainability.html)