Inicio Proyectos TencentPretrain
TencentPretrain
Python

TencentPretrain

Marco de preentrenamiento Tencent en PyTorch y Zoo de Modelos Preentrenados

por Tencent · GitHub
Estrellas
Ramas
Creado
Último commit
Categoría
Lenguaje
albertbartbertPython
Ver en GitHub
En palabras simples

Pre-entrena y ajusta modelos de IA en varios tipos de datos utilizando un kit de herramientas modular con una colección de modelos pre-entrenados.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
TencentPretrain — GitHub preview card
📈 Historial de estrellas
1 0911 090
2026-07-202026-08-31
📈 Sigue TencentPretrain

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Marco de preentrenamiento Tencent en PyTorch y Zoo de Modelos Preentrenados

TencentPretrain tiene 1.1k estrellas en GitHub. Se ha bifurcado 147 veces. TencentPretrain está escrito principalmente en Python. Se desarrolla activamente desde 2022. Sus temas principales son: albert, bart, bert, chinese.

Frequently asked questions

¿Qué es TencentPretrain?

Marco de preentrenamiento Tencent en PyTorch y Zoo de Modelos Preentrenados

¿TencentPretrain es de código abierto?

TencentPretrain es un proyecto de código abierto.

¿TencentPretrain es gratis?

Sí. TencentPretrain es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿En qué lenguaje está escrito TencentPretrain?

TencentPretrain está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — TencentPretrain

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=tencent-tencentpretrain)](https://olud.ai/project/tencent-tencentpretrain.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.