使用pytorch完成的一个多模态分类任务，文本和图像部分分别使用了bert和resnet提取特征（在config里可以组合多种模型）,在我的小规模数据集上取得了良好的性能（验证集acc96%）

使用minirobert+lstm+crf完成的命名实体识别任务。并在评估中使用了字符级和实体级两种评估方式。

基于文本相似性的一个新闻推荐系统。 采用了tfidf无监督模型和bert模型两种方法。文件限制因此删除了里面的训练数据和bert模型。

使用lstm完成的一个诗歌生成demo。有完整的数据预处理到生成及使用streamlit完成的简单前端。

一个多分类多输出任务的实例，包括rf随机森林、cnn、rnn、bert四种算法，采用了focalloss减少数据不平衡的影响。

对sentence-lda算法的复现，该算法在传统lda模型算法的基础上增加了文本句子分布的信息（一句话也可以代表一个主题），丰富了传统lda的信息维度。因此理论上具有更好的性能，更适合较短文本的lda主题建模。

tensorflow实现的标签分布年龄估计模型，将年龄标签散布为概率区间，有效的降低了以往的将年龄当作类别分类和回归所带来的误差。

使用cgan的一维数据生成，使用的数据集是10_percent_corrected处理后的csv一维表格

这是我复现的ISGAN网络实现图像的隐写，采用keras框架编写，并且在其基础上加入了混沌加密以对比效果。所有需要的东西都在其中，运行ISGAN代码可以直接下载数据集，因此配置好环境后直接运行即可。