#neural-network Repositories
Insgesamt 213 Repositories
MACE ist ein Deep-Learning-Inferenz-Framework, das für mobile heterogene Computing-Plattformen optimiert ist.
High-Level-Bibliothek zur Unterstützung beim flexiblen und transparenten Training und Evaluieren von neuronalen Netzen in PyTorch.
Die ultimative KI-Einführungsbibel, frei von Unklarheiten und Elitarismus, die für jeden – vom Studenten bis zum Ingenieur – leicht zu meistern ist. Sie deckt alles ab: von neuronalen Netzen bis zu großen Modellen, von High-Level-Design bis zu mikroskopischen Prinzipien, von technischer Umsetzung bis zu algorithmischen Grundlagen. Nach dem Lesen werden Sie vollkommen verstehen, warum die scheinbar unscheinbare Fähigkeit der 'Next-Token-Prediction' die Welt verändern kann, und Sie werden entdecken, dass KI gar nicht so mysteriös oder unerreichbar ist, wie Sie dachten. Let's just beat it!
Eine Bibliothek für wissenschaftliches Machine Learning und physik-informiertes Lernen
Notizen, Programmieraufgaben und Quizze aus allen Kursen der Coursera Deep Learning Specialization, angeboten von deeplearning.ai: (i) Neuronale Netze und Deep Learning; (ii) Verbesserung tiefer neuronaler Netze: Hyperparameter-Tuning, Regularisierung und Optimierung; (iii) Strukturierung von Machine-Learning-Projekten; (iv) Convolutional Neural Networks; (v) Sequenzmodelle
Einfache Python-Implementierungen grundlegender Machine-Learning-Algorithmen
Eine saubere Implementierung basierend auf AlphaZero für jedes Spiel in jedem Framework + Tutorial + Othello/Gobang/TicTacToe/Connect4 und mehr
Erleichterung der Gestaltung, des Vergleichs und der Freigabe von Deep-Text-Matching-Modellen.
Dies sind die handschriftlichen Notizen von Andrew NG auf Coursera.
PennyLane ist eine Open-Source-Softwareplattform für Quantencomputing, Quanten-Maschinelles Lernen und Quantenchemie. Erstellen Sie sinnvolle Quantenalgorithmen, von der Inspiration bis zur Umsetzung.
Dieses Repository ist eine kuratierte Sammlung praxisnaher Data-Science-Projekte, die speziell für Anfänger zugeschnitten sind. Ob Sie gerade erst mit Data Science beginnen oder Ihre Fähigkeiten stärken möchten, diese Projekte bieten einen praktischen und interaktiven Weg, um Ihr Wissen anzuwenden.
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
ManimML ist ein Projekt, das sich auf die Bereitstellung von Animationen und Visualisierungen gängiger Machine-Learning-Konzepte mit der Manim Community Library konzentriert.
Dieses Repository wurde erstellt, um Einsteigern im Machine Learning oder Personen, die sich auf ein Studium vorbereiten, zu helfen. (This repository is intended for helping those who are beginners in machine learning or preparing for study)
Die Compute Library ist eine Sammlung von Computer-Vision- und Machine-Learning-Funktionen, die für Arm-CPUs und GPUs mit SIMD-Technologien optimiert sind.
Sorgfältig kuratierte Ressourcenlinks für Data Science an einem Ort
Verteilte LLM-Inferenz. Verbinden Sie Heimgeräte zu einem leistungsstarken Cluster, um die LLM-Inferenz zu beschleunigen. Mehr Geräte bedeuten schnellere Inferenz.
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben
Deep Learning und Deep Reinforcement Learning Forschungspapiere und einige Codes
AI Roadmap: Maschinelles Lernen (Machine Learning), Deep Learning, Generative Adversarische Netzwerke (GAN), Graph Neural Networks (GNN), NLP, Big Data bezogene Entwicklungsroutenpläne (Roadmap), mit einer Fülle von Quellcode (Python, PyTorch), um grundlegende Wissenspunkte zu verdauen, Vorstellungsgespräche zu meistern und den Sprung vom Anfänger zum qualifizierten Ingenieur zu meistern. Darunter befinden sich offizielle Quellcodes von TensorFlow und Caffe für Deep-Learning-Papiere, und der Anwendungsabschnitt enthält Empfehlungsalgorithmen und Wissensgraphen.
KI-Comic- und Manga-Übersetzer-App/Browser-Erweiterung zur automatischen Übersetzung von Comics, Mangas, Manhwas, BDs, Fumetti und mehr in verschiedenen Sprachen und Formaten (Bilder, PDF, EPUB, CBR, CBZ usw.).
Mittlere durchschnittliche Präzision - Dieser Code bewertet die Leistung Ihres neuronalen Netzes für die Objekterkennung.
Minkowski Engine ist eine Auto-Diff-Neural-Network-Bibliothek für hochdimensionale sparse Tensoren
Eine Closed-Loop-Lernplattform für Computer Vision, auf der Code interaktiv online ausgeführt werden kann. Lernen Sie den geschlossenen Kreislauf "Praktische Computer Vision: Algorithmen und Anwendungen" chinesisches E-Book, Quellcode, Community-Austausch für Leser (wird kontinuierlich aktualisiert ...) 📘 Online-E-Book https://charmve.github.io/computer-vision-in-action/ 👇Projekt-Homepage
🚀 Eine effiziente Sammlung von Algorithmen für die Suche nach ungefähr nächstliegenden Nachbarn, geschrieben in Rust 🦀 .
Hocheffiziente Gleitkomma-Neuronale-Netzwerk-Inferenzoperatoren für Mobilgeräte, Server und Web
Die Sammlung von vortrainierten, hochmodernen KI-Modellen für das ailia SDK
2-2000x schnellere ML-Algorithmen, 50 % weniger Speicherverbrauch, funktioniert auf allen Hardware - neu und alt.
Objectron ist ein Datensatz kurzer, objektzentrierter Videoclips. Zusätzlich enthalten die Videos AR-Sitzungsmetadaten, einschließlich Kamera-Posen, sparsamer Punktwolken und Ebenen. In jedem Video bewegt sich die Kamera um und über dem Objekt herum und erfasst es aus verschiedenen Blickwinkeln. Jedes Objekt ist mit einer 3D-Begrenzungsbox annotiert. Die 3D-Begrenzungsbox beschreibt die Position, Orientierung und Abmessungen des Objekts. Der Datensatz enthält etwa 15.000 annotierte Videoclips und 4 Millionen annotierte Bilder in den folgenden Kategorien.
C++-Bibliothek für Bildverarbeitung und maschinelles Lernen mit SIMD: SSE, AVX, AVX-512, AMX für x86/x64, NEON, SVE für ARM, HVX für Hexagon
Sammlung von ECCV 2024-Papieren und Open-Source-Projekten, und alle Experten sind ebenfalls herzlich eingeladen, Issues einzureichen und ECCV 2024-Papiere und Open-Source-Projekte zu teilen.
🎙Spracherkennung mit dem TensorFlow Deep-Learning-Framework, Sequence-to-Sequence-Neuralnetze