文末免费送电子书：七月在线干货组最新 升级的《名企AI面试100题》免费送！

项目一：EssayKiller_V2 基于开源GPT2.0的初代创作型人工智能

EssayKiller是基于OCR、NLP领域的最新模型所构建的生成式文本创作AI框架，目前第一版finetune模型针对高考作文（主要是议论文），可以有效生成符合人类认知的文章，多数文章经过测试可以达到正常高中生及格作文水平。

框架说明：

  • 基于EAST、CRNN、Bert和GPT-2语言模型的高考作文生成AI
  • 支持bert tokenizer，当前版本基于clue chinese vocab
  • 17亿参数多模块异构深度神经网络，超2亿条预训练数据
  • 线上点击即用的文本生成效果demo：17亿参数作文杀手
  • 端到端生成，从试卷识别到答题卡输出一条龙服务

模型结构：

整个框架分为EAST、CRNN、Bert、GPT-2、DNN 5个模块，每个模块的网络单独训练，参数相互独立。infer过程使用pipeline串联，通过外接装置直接输出到答题卡。

模型亮点：

  • 简单的管道实现在当时较高精度的文本检测。
  • 图像通过FCN处理产生像素级文本缩放地图和几何图形的多个频道。
  • 可旋转的文本框，可以检测文本也可以检测单词。

项目地址：

https://github.com/EssayKillerBrain/EssayKiller_V2

项目二：see-rnn Rnn 一般权重、渐变和激活可视化

Keras 和 TensorFlow 中的 Rnn 权重、渐变和激活可视化 （Lstm 、 Gru 、 Simplernn 、 Cudnn 和所有其他）

特性：

  • 权重、渐变、激活可视化
  • 内核视觉对象：内核、循环内核和偏置显式显示
  • 门视觉对象：门控架构（LSTM、GRU）中的门明确显示
  • 通道视觉对象：显式显示的单元格单元（功能提取器
  • 一般视觉对象：也适用于CNN和其他方法
  • 重量规范跟踪：可用于分析重量衰减

内省是调试、规范和理解神经网络的有力工具。此项目的方法启用：

  • 监视权重和激活进度 - 每个更改epoch-to-epoch、iteration-to-iteration
  • 评估学习效率 - 梯度反传播对层到层的、时间到时间步长的影响
  • 评估层健康 - 神经元的"死亡"或"爆炸"的百分比
  • 跟踪体重衰减 - 各种方案（例如 l2 惩罚）如何影响重量规范

能够回答以下问题：

  • 我的 RNN 是否学习长期依赖关系？» 监控梯度：如果非零梯度每次时间步道流动，则每个时间步有助于学习 -> 即，由此产生的梯度源于对每个输入时间步长的核算，因此整个序列会影响权重更新。因此，RNN 不再忽略长序列的部分，而被迫从它们中吸取教训
  • 我的 Rnn 是否学习独立表示？»监控激活：如果每个通道的输出不同且相互关联，则 RNN 提取了
  • 为什么我有验证损失峰值？»所有：瓦尔尖峰可能源于由于较大的梯度导致的层权重的急剧变化，这将明显改变激活模式;查看详细信息有助于通知更正
  • 我的权重衰减是过度还是不足？»监控权重规范：如果值斜减到许多倍，则衰减可能过大 - 或者，如果没有看到任何效果，则增加衰减

项目地址：

https://github.com/OverLordGoldDragon/see-rnn

项目三：FundamentalAnalysis 全面的基本面分析包

此包从 FinancialModelingPrep 收集来自大型公�