#deep-learning Repositories
Insgesamt 2,273 Repositories
State-of-the-Art Deep-Learning-Skripte, nach Modellen organisiert - einfach zu trainieren und bereitzustellen mit reproduzierbarer Genauigkeit und Leistung auf Unternehmensklasse-Infrastruktur.
Eine Reihe von Jupyter-Notebooks, die Sie durch die Grundlagen des maschinellen Lernens und des Deep Learnings in Python mit Scikit-Learn, Keras und TensorFlow 2 führen.
Ein Toolkit zur Erstellung von Machine-Learning- und Datenanalyseanwendungen in der realen Welt in C++
Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
MIT Deep-Learning-Buch im PDF-Format (komplett und Teile) von Ian Goodfellow, Yoshua Bengio und Aaron Courville
Python-Paket, das das Deep Learning auf Graphen erleichtert, auf bestehenden DL-Frameworks aufbauend.
Über 20 leistungsstarke LLMs mit Anleitungen zum Vortrainieren, Finetuning und Bereitstellen in großem Maßstab.
1 Zeile Code für Datenqualitäts-Profiling & explorative Datenanalyse für Pandas- und Spark-DataFrames.
YuE2: modernste Musikgenerierung mit symbolischer Planung, Zero-Shot-Covern und agentenbasierter Musikbearbeitung.
PyTorch-Code und Modelle für die DINOv2-Methode des selbstüberwachten Lernens.
NVIDIA® TensorRT™ ist ein SDK für hochleistungsfähige Deep-Learning-Inferenz auf NVIDIA-GPUs. Dieses Repository enthält die Open-Source-Komponenten von TensorRT.
Code für loralib, eine Implementierung von "LoRA: Low-Rank Adaptation of Large Language Models"
Eine Bibliothek für fortgeschrittene Deep-Time-Series-Modelle für die allgemeine Zeitreihenanalyse.
Dieses Repository enthält die Codes von "A Lip Sync Expert Is All You Need for Speech to Lip Generation In the Wild", veröffentlicht auf der ACM Multimedia 2020. Für kommerzielle HD-Modelle probieren Sie bitte Sync Labs aus.
Erweiterte KI-Erklärbarkeit für Computer Vision. Unterstützung für CNNs, Vision Transformers, Klassifikation, Objekterkennung, Segmentierung, Bildähnlichkeit und mehr.
Tauchen Sie ein in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision und NLP, indem Sie aus diesen spannenden Vorlesungen lernen!!
🏄 Skalierbare Einbettung, Begründung, Rangierung für Bilder und Sätze mit CLIP
Der unglaubliche PyTorch: Eine kuratierte Liste von Tutorials, Papieren, Projekten, Communities und mehr im Zusammenhang mit PyTorch.
Ein Kimi K3-Modell mit 2,78 Billionen Parametern, das Inferenz auf einer einzelnen CPU mit 8,24 GB RAM ausführt. Portables C99: kein BLAS, kein Framework, keine GPU.
Sammlung von Skripten zur Aggregation von Bilddaten für das Training eines NSFW-Bildklassifizierers
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Papers/Code/Interpretationen/Live-Übertragungen Sammlung, von Jimu Team zusammengestellt
Künstliche Intelligenz Lernkarte, Zusammenstellung von fast 200 praktischen Fällen und Projekten, kostenlose Begleitbücher, Einstieg ohne Vorkenntnisse, berufliche Praxis! Enthalten: Python, Mathematik, Machine Learning, Data-Analyse, Deep Learning, Computer Vision, Natural Language Processing, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv usw. beliebte Bereiche
Ein quelloffenes, durch Werkzeuge erweitertes konversationelles Sprachmodell der Fudan-Universität
Das Repository stellt Code für die Durchführung von Inferenz und Finetuning mit dem Meta Segment Anything Model 3 (SAM 3) bereit, Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie man das Modell verwendet.
pix2code: Code aus einem Screenshot einer grafischen Benutzeroberfläche generieren
OpenVINO™ ist ein Open-Source-Toolkit zur Optimierung und Bereitstellung von KI-Inferenz.
Low-Code-Framework zum Erstellen benutzerdefinierter LLMs, neuronaler Netze und anderer KI-Modelle
TensorZero ist eine Open-Source-LLMOps-Plattform, die ein LLM-Gateway, Observability, Evaluierung, Optimierung und Experimentierung vereint.
Eine Liste von Papieren zur Objekterkennung mit Deep Learning.
Implementierung des aktualisierten Text-zu-Bild-Synthese-neuronalen Netzwerks DALL-E 2 von OpenAI in Pytorch
Die AI-Entwicklerplattform. Verwenden Sie Weights & Biases, um Modelle zu trainieren und feinabzustimmen und Modelle von der Experimentierphase bis zur Produktion zu verwalten.
Minimale und saubere Beispiele für Implementierungen von Machine-Learning-Algorithmen
Der Triton Inference Server bietet eine optimierte Cloud- und Edge-Inferenz-Lösung.