这将非常方便，但我不知道有任何这样的网站。

此外，通常很难就当前性能最佳的模型达成一致，因为这取决于数据集、注释方式和评估方法。更不用说语言的多样性，因为特定的模型通常是特定于语言的。当然，要跟上不断发布的新方法和数据集是很困难的。

请参阅https://www.tensorflow.org/hub和
https://pytorch.org/hub。

在那里，您可以找到带有权重的最先进的预训练模型。

我认为您要问的问题有一个两步解决方案：

1. 识别性能最佳的模型：paperswithcode是一个网站，其中包含针对不同任务和不同数据集的最佳性能模型。对于任何特定任务（例如情绪分析），您可以转到站点中的相应部分，并尝试确定与您所面临的场景最相似的基准数据集。

2. 一旦你确定了合适的模型，你可能会在不同的地方找到它的预训练权重：

   • 在与模型相关的文章中（在论文和代码中链接），作者可以指定他们已经在 github 存储库或他们实验室的网页中发布了模型。
   • 在特定于框架的存储库中，例如Tensorflow Hub或 Pytorch Hub，可能会有已发布的模型。
   • 在特定主题的库中，例如NLP 的Huggingface Transformers，您可能会找到预训练的模型。

我同意尔万的观点。您需要记住的主要事情是训练统计模型涉及找到一组“伪真实参数”（阅读：模型中关系的最佳值）。为此，您需要定义一个您希望最小化的标准，例如，当模型预测训练样本中的观察值时，模型的均方误差。当使用不同的准确度度量（例如平均绝对误差）时，即使训练样本无限增长，这些值也会不同。我们说这是两组伪真极限参数，分别最小化极限 MSE 和 MAE 标准（根据问题，标准有更多选项）。从这个意义上说，没有“最佳模型”，所有适合训练样本的模型都是“ 给定它们的约束和标准函数。此外，火车组也很重要。如果你训练一个决策树集成或神经网络来识别蝴蝶，那么它在识别狗方面将毫无用处。同样，如果您训练一个时间序列模型来预测一只股票的波动率，那么它可能无法预测另一只股票的波动率。如果您有特定的任务（例如面部识别）并且您不想花费大量时间训练网络，那么 ashukid 的建议似乎很有趣。祝您未来的机器学习工作好运！如果您训练时间序列模型来预测一只股票的波动率，那么它可能无法预测另一只股票的波动率。如果您有特定的任务（例如面部识别）并且您不想花费大量时间训练网络，那么 ashukid 的建议似乎很有趣。祝您未来的机器学习工作好运！如果您训练时间序列模型来预测一只股票的波动率，那么它可能无法预测另一只股票的波动率。如果您有特定的任务（例如面部识别）并且您不想花费大量时间训练网络，那么 ashukid 的建议似乎很有趣。祝您未来的机器学习工作好运！