维吾尔文 具有维吾尔语拼写检查功能的免费文本编辑器。 Kenjikorréktorningnamzatsözlernikörsitipbérishiqtidariköpyaxshilandi。 Imla ambiridikisözlüksani(kompyutértürlephasil qilghan)1 milyondin ashti。 下摆aptomatik toghrilash ambiri(dilassözlükmuköpeytildi)。 邦宁·阿兹米拉尼·拉廷奇·亚兹甘达(ö,ü,é)拉尼(o,u,e)布莱尼·科吉·祖普(bilenlakirgüzüp)拉丁语tekshürsilaxélikop sandikisözler 梅西伦(Mesilen):Bugun-›bügündégendek。 yéziqlarnioz-ara almashturushtéximuqulay
2025-03-04 06:31:45 17.52MB editor unicode uyghur
1
经典拼写校正器在半页 Python 中的数据集 aspell.txt birkbeck.txt big.txt spell-testset1.txt spell-testset2.txt wikipedia.txt
2023-04-17 23:03:19 2.42MB 数据集
1
解决git _ 无法将“git”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写,如果包括路径,请确保路径正确
2023-03-06 19:07:16 2KB git node
1
拼写GCN 是中文拼写检查的一种方法,它将视觉和形态学知识嵌入到BERT中。 该存储库包含数据,评估和培训脚本。 引文: @inproceedings{DBLP:journals/corr/abs-2004-14166, author = {Xingyi Cheng and Weidi Xu and Kunlong Chen and Shaohua Jiang and Feng Wang and Taifeng Wang and Wei Chu and Yuan Qi}, title={SpellGCN: Incorporating Phonological an
2023-02-10 15:57:57 4.19MB Python
1
python 拼写检查器,比较简易,呵呵,希望对你有多启发
2022-11-25 14:57:08 21KB python 拼写检查器
1
SSVEP拼写器,40目标(8 Hz ~ 15.8),类似清华大学Benchmark的范式,红色框代表刺激提示,这个程序可以与Brain Product的脑电帽子做成在线识别的SSVEP系统,需要BP提供的一个RDA接口文件就可以了。 本资源仅供刚入门SSVEP的硕士研究生同学学习,不是很难,但需要花时间弄懂代码,我的博客也有相关的文章。
2022-11-06 16:53:18 778KB SSVEP 刺激界面
1
深刺 使用深度学习纠正拼写错误 动机 该项目的灵感来自在上发表的文章。 可以在Github上找到他的代码。 2017年1月,我开始了并且从第一堂课开始就迷上了。 以前,我曾多次听到过“神经网络”一词,并且对它们可以完成的事情有一个大致的了解,但从未对它们的“工作原理”有所了解。 自完成课程以来,我没有太多机会来尝试这项技术,但是我一直在考虑它的用途,尤其是在信息检索领域,这是我过去十年来一直致力于的领域。 除非您是Google,否则纠正拼写错误的典型技术是,或者它的近亲是。 魏斯先生很好地解释了为什么这些方法效果不佳。 目标 使用Tensorflow重新实现Weiss先生的递归神经网络(RNN),并达到相同的准确性水平。 他建议尝试实施某些探索领域以及其他领域,以查看是否可以获得进一步的改进。 编码 该代码的第一部分主要涉及下载Google发布的并对其进行设置,以进行培训,而这主要是
2022-10-04 17:29:45 93.39MB deep-learning neural-network rnn spelling
1
机器学习课程中的一个案例 贝叶斯拼写纠错 数据集 big.txt
2022-07-15 15:06:35 6.19MB 机器学习 贝叶斯 数据集
1
Unity3d Word Search Cookies 3.5 英文单词拼写益智小游戏源码
2022-06-06 13:05:12 10.89MB Unity C#
LAS-Pytorch 这是我的(LAS)谷歌ASR深度学习模型的pytorch实现。 我同时使用了mozilla 数据集和数据集。 借助torchaudio,在加载文件的同时即可快速完成功能转换。 结果 由于我的GPU没有足够的内存,因此这是采用相当小的体系结构进行的4个训练周期的LER(信笺错误率)和损失度量。 侦听器具有128个神经元和2层,而Speller具有256个神经元和2层。 我们可以看到模型如何从我们提供给它的数据中学习,但是它仍然需要更多的训练和适当的架构。 字母错误率 失利 如果我们尝试预测音频样本,则结果如下所示: true_y :['A','N','D',','S','T','I','L','L',','N','O',' ','A','T','T','E','M','P','T',','B','Y','','T','H ','E','','P','O']
2022-05-22 20:41:55 177KB pytorch las e2e asr
1