#pytorch Repositories
Insgesamt 1,936 Repositories
MACE – Schnelle und genaue maschinelle Lern-Interatomare Potenziale mit equivarianter Nachrichtenweitergabe höherer Ordnung.
Dieses Repository stellt den Code und die Modell-Checkpoints für die Forschungsprojekte AIMv1 und AIMv2 bereit.
Quellcode und Datensatz für das ACL-2019-Papier "ERNIE: Enhanced Language Representation with Informative Entities"
Implementierung von kommunikationseffizientem Lernen tiefer Netzwerke aus dezentralisierten Daten
Ein flexibles Paket für multimodal-deep-learning, um tabellarische Daten mit Text und Bildern unter Verwendung von Wide- und Deep-Modellen in Pytorch zu kombinieren
(CVPR 2025) Von langsamen bidirektionalen zu schnellen autoregressiven Video-Diffusionsmodellen
🛸 Verwenden Sie vortrainierte Transformer wie BERT, XLNet und GPT-2 in spaCy
Pytorch-basiertes Framework zur Lösung parametrischer, eingeschränkter Optimierungsprobleme, physikalisch informierter Systemidentifikation und parametrischer modellprädiktiver Regelungen.
Offizielle Repository für evolutionäre Optimierung von Modellzusammenführungsrezepten
FireRed-Image-Edit ist ein leistungsstarkes Bildbearbeitungs-Grundmodell, das Open-Source-State-of-the-Art-Leistung mit präziser Anweisungsbefolgung, hochauflösender Generierung, überlegener Identitätskonstanz und nahtloser Multi-Element-Fusion erreicht.
[CVPR 2025] Hallo3: Hochentwickelte, dynamische und realistische Porträtbildanimation mit Video Diffusion Transformer
Berechnen Sie den Token/s- & GPU-Speicherbedarf für jedes LLM. Unterstützt Quantisierung von llama.cpp/ggml/bnb/QLoRA
Erstellen, trainieren, optimieren und betreiben Sie Computer-Vision-Modelle lokal – von Rohbildern bis zur Live-Inferenz. Open Source und für Intel® XPU optimiert (CUDA wird ebenfalls unterstützt).
[CVPR 2025 Highlight] Echtzeit-Szenenrekonstruktion für dichte Umgebungen mit SLAM3R
Offizielle Implementierung des Papers „MonST3R: Ein einfacher Ansatz zur Schätzung der Geometrie bei Vorhandensein von Bewegung“
[pip install medmnist] 18 standardisierte Datensätze für die 2D- und 3D-Klassifizierung biomedizinischer Bilder
Modulares Deep-Reinforcement-Learning-Framework in PyTorch. Begleitbibliothek des Buches „Foundations of Deep Reinforcement Learning“.
[ICLR'23 Spotlight🔥] Die erste erfolgreiche BERT/MAE-Stil-Vortraining auf jedem konvolutionellen Netzwerk; Pytorch-Implementierung von "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Minimale und kommentierte Implementierungen von Schlüsselideen aus der modernen Deep-Learning-Forschung.
PoolFormer: MetaFormer ist eigentlich das, was Sie für Vision (CVPR 2022 Oral) benötigen
[CVPR 2021] Mehrstufige progressive Bildwiederherstellung. SOTA-Ergebnisse für die Bildentwischung, -entregnung und -entrauschung.
Eine schnelle, kommunikationsübergreifende Bibliothek für Tensor-/Expertenparallelität auf GPUs.
PyTorch-basiertes probabilistisches Zeitreihenprognose-Framework auf Basis des GluonTS-Backends
Korrekte Implementierung von ResNet-s für CIFAR10/100 in PyTorch, die der Beschreibung des Originalpapiers entspricht.
Forschung zur DeepSeek-Engram-Architektur basierend auf Qwen-3 und der Stable-Diffusion-Serie.
Aufbau von Universalrobotern auf der Grundlage von verkörperten Basismodellen
Deep-Learning-Gesichtserkennung und -identifikation, implementiert mit PyTorch. (Mit PyTorch implementierte Gesichtserkennung und -identifikation)
Offizielle Pytorch-Repository für Extreme Komprimierung von Large Language Models durch additive Quantisierung https://arxiv.org/pdf/2401.06118.pdf und PV-Tuning: Jenseits der Straight-Through-Schätzung für extreme LLM-Komprimierung https://arxiv.org/abs/2405.14852
Hochmoderne, einfache, schnelle unbegrenzte / groß angelegte NeRFs.
Dieses Projekt verwendet eine Vielzahl von fortschrittlichen Stimmerkennungmodellen wie EcapaTdnn, ResNetSE, ERes2Net, CAM++ usw. Es ist nicht ausgeschlossen, dass in Zukunft weitere Modelle unterstützt werden. Gleichzeitig unterstützt dieses Projekt auch die Datenvorverarbeitungsmethoden MelSpectrogram und Spectrogram.