#deep-neural-networks Repositories
Insgesamt 103 Repositories
Sammlung von Google Colaboratory Notebooks für schnelle und einfache Experimente
Eine PyTorch-Bibliothek und Evaluierungsplattform für End-to-End-Kompressionsforschung
🚀 KOSTENLOSE KI-Ressourcen - 🎓 Kurse, 👷 Jobs, 📝 Blogs, 🔬 KI-Forschung und vieles mehr - für alle!
Android TensorFlow Machine Learning Beispiel (TensorFlow für Android erstellen)
Das Medical Detection Toolkit enthält 2D + 3D-Implementierungen gängiger Objekterkenner wie Mask R-CNN, Retina Net, Retina U-Net sowie ein Trainings- und Inferenz-Framework, das sich auf den Umgang mit medizinischen Bildern konzentriert.
🚀 Die TensorFlow Object Counting API ist ein Open-Source-Framework, das auf TensorFlow und Keras aufbaut und die Entwicklung von Objektzählsystemen erleichtert!
Eine Sammlung von Ressourcen zu Anwendungen von Transformatoren in der medizinischen Bildgebung.
Sequence-to-Sequence-Framework mit Schwerpunkt auf Neural Machine Translation basierend auf PyTorch
Variational Autoencoder implementiert in TensorFlow und PyTorch (einschließlich inverser autoregressiver Fluss)
Diagramme zur Visualisierung der Architektur neuronaler Netze
Kanal-Pruning zur Beschleunigung sehr tiefer neuronaler Netzwerke (ICCV'17)
Eine PyTorch-Adversarial-Bibliothek für Angriffs- und Verteidigungsmethoden auf Bildern und Graphen
Begleit-Repository zu GANs in Action: Deep Learning mit Generative Adversarial Networks
[ICML2024 (Oral)] Offizielle PyTorch-Implementierung von DoRA: Gewichtsdekomponierte Low-Rank-Adaption
Framework-unabhängige Implementierung für State-of-the-Art-Saliency-Methoden (XRAI, BlurIG, SmoothGrad und mehr).
Ein polyedrischer Compiler für das Ausdrücken schneller und portabler datenparalleler Algorithmen
Lernen Sie Deep Learning mit Tensorflow 2.0, Keras und Python in dieser umfassenden Deep Learning Tutorial-Reihe. Lernen Sie Deep Learning von Grund auf. Deep Learning-Reihe für Anfänger. Tensorflow-Tutorials, Tensorflow 2.0-Tutorial. Deep Learning-Tutorial Python.
Sammlung aktueller Methoden zur Kompression und Beschleunigung von (tiefen) neuronalen Netzwerken.
Repräsentations-Engineering: Ein Top-Down-Ansatz für KI-Transparenz
Kostenloser und vollständig quelloffener L2-ADAS-Stack, angetrieben durch End-to-End-KI-Technologie
TinyNeuralNetwork ist ein effizientes und einfach zu bedienendes Framework für die Komprimierung von Deep-Learning-Modellen.
Eine kuratierte Liste von DATASETS, CODEBASES und PAPERS zu Multi-Task Learning (MTL) aus der Perspektive des Machine Learning.
Dieses Repository enthält eine Sammlung von Umfragen, Datensätzen, Arbeiten und Codes zur Schätzung der prädiktiven Unsicherheit in Deep-Learning-Modellen.
Android TensorFlow Lite Maschinelles Lernen Beispiel
Eine einfache Bibliothek zum Erstellen komplexer neuronaler Netze
Ein Gebärdensprach-Interpreter, der den Live-Video-Feed von der Kamera verwendet.
NeuPy ist eine auf TensorFlow basierende Python-Bibliothek für das Prototyping und den Aufbau neuronaler Netze.
Intel® AI Reference Models: Enthält Intel-Optimierungen für das Ausführen von Deep-Learning-Workloads auf Intel® Xeon® Scalable-Prozessoren und Intel® Data Center GPUs
Eine kuratierte (aktuellste) Liste von Ressourcen zum Lernen mit verrauschten Labels
Beispiel für die Vorhersage mehrerer multivariater Zeitreihen mit LSTM-Rekurrenten neuronalen Netzwerken in Python mit Keras.
Artikel, Code und Datensätze zu Deep Learning für die 3D-Objekterkennung.
Fabric for Deep Learning (FfDL, ausgesprochen fiddle) ist eine Deep-Learning-Plattform, die TensorFlow, Caffe, PyTorch usw. als Service auf Kubernetes anbietet.
Vorhersage von Aktienkursen mit einem TensorFlow LSTM (Long Short-Term Memory) neuronalen Netzwerk für Zeitreihenvorhersagen
ML-capsule ist ein Projekt für Anfänger und erfahrene Data-Science-Enthusiasten, die keinen Mentor oder keine Anleitung haben und Machine Learning lernen möchten. Mit unserem Repository können sie ML, DL und viele verwandte Technologien anhand verschiedener realer Projekte erlernen und sich auf Vorstellungsgespräche vorbereiten.
Eine Bibliothek für bayesche neuronale Netzwerkschichten und Unsicherheitsschätzung im Deep Learning, die den Kern von PyTorch erweitert
ProphitBet ist eine Anwendung zur Vorhersage von Fußballwetten auf Basis maschinellen Lernens. Sie analysiert die Form der Teams, berechnet Spielstatistiken und sagt mithilfe fortschrittlicher Methoden des maschinellen Lernens (ML) die Spielergebnisse voraus. Außerdem bietet sie Wettagenten auf Basis von Deep Reinforcement Learning (DRL), die optimale Wettstrategien erlernen können.
Dieses Repository enthält den Evaluierungscode für das Paper „MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI“
Automatische 3D-Charakteranimation unter Verwendung von Pose-Schätzung und Landmark-Erzeugungstechniken
Der Microsoft Scalable Noisy Speech Dataset (MS-SNSD) ist ein verrauschter Sprachdatensatz, der je nach Anzahl der Sprecher, Geräuschart und gewünschtem Signal-Rausch-Verhältnis (SNR) auf beliebige Größen skalierbar ist.
Ein großangelegter multimodaler Fahrzeugdatensatz mit Computational-Fluid-Dynamics-Simulationen und Deep-Learning-Benchmarks
Erweiterungs-Pipeline für das Rendern von Prozessen zur synthetischen Papierdruck, Fax, Scannen und Kopieren
Datei '笔和线段的一种划分.py', Sie müssen nur die K-Linien-Hoch- und Tiefdaten eingeben, um automatisch die Aufteilung in Pinsel, Liniensegmente, Zentrum, Kauf- und Verkaufspunkte sowie Trendtypen zu realisieren. Sie können sh.csv als Eingabedatei verwenden. Lebenslauf siehe.pdf. Die Kraft der Zeit. Manche sagen, die Markttiming sei sehr schwierig, andere sagen, die Aktienauswahl sei einfach, wieder andere sagen, dass die IT-Infrastruktur für statistische Arbitrage sehr wichtig sei. Und einige sagen, das System habe unvorhersehbare Prinzipien. Die Meinungen sind geteilt. Ein verteiltes System – wenn dein Einfluss vernachlässigbar ist, kannst du es nur realisieren, was der Vorsitzende Jiang so meinte: Leise reich werden. In der ersten Woche fiel der Markt um 1 %, aber ich habe 10.000 verdient, einen Gewinn von 5 %. #Aktien #Börse #Chan-Lun https://v.kuaishou.com/bFEl6M Kopieren Sie diese Nachricht und öffnen Sie 【Kwai】, um anzusehen!