#pytorch Repositories
Insgesamt 1,936 Repositories
Repository für das Deep Reinforcement Learning Nanodegree-Programm
Vortrainierte PyTorch-Modelle für Gesichtsdetektion (MTCNN) und Gesichtserkennung (InceptionResnet)
Code für das Buch Deep Learning with PyTorch von Eli Stevens, Luca Antiga und Thomas Viehmann.
cube studio Open-Source Cloud-Native One-Stop Machine Learning/Deep Learning/Large Model AI Platform, MLOps Algorithmus-Link Ganzprozess, Rechenleistung-Leihplattform, Notebook Online-Entwicklung, Drag-and-Drop-Aufgabenfluss-Pipeline-Orchestrierung, Multi-Machine-Multi-GPU-verteiltes Training, Hyperparameter-Suche, Inferenzdienst VGPU-Virtualisierung, Edge Computing, Annotationsplattform-Automatisierte-Annotation, Large Model SFT Fine-Tuning/Reward Model/Reinforcement Learning Training von Deepseek usw., Multi-Machine-Inferenz von Large Models wie vLLM/Ollama/MindSpore, Private Knowledge Base, AI Model Marketplace, Unterstützung für heimische CPU/GPU/NPU Ascend-Ökosystem, Unterstützung für RDMA, Unterstützung für verteilte Frameworks wie PyTorch/TF/MXNet/DeepSpeed/Paddle/ColossalAI/Horovod/Ray/Volcano
PyTorch-Implementierung für Semantic Segmentation/Scene Parsing auf dem MIT ADE20K-Datensatz
🚀 Ein Open-Source-, praxisorientierter Lehrplan, der die Lücke von grundlegenden RL-Konzepten bis zur LLM-Ausrichtung, RLVR und fortgeschrittenen Agentic-Systemen überbrückt.
PyTorch-Code und Modelle für das selbstüberwachte Lernen aus Videos mit VJEPA2.
Ich glaube, dass Sie, die Doktoranden und Arbeitssuchenden, für die das Buch hauptsächlich bestimmt ist, davon profitieren werden; ich hoffe jedoch, dass selbst die erfahrensten Forscher es faszinierend finden werden.
Eine PyTorch-Bibliothek zur Implementierung von Flow-Matching-Algorithmen, die kontinuierliche und diskrete Flow-Matching-Implementierungen umfasst. Sie enthält praktische Beispiele für Text- und Bildmodalitäten.
Bedingte Speicher durch skalierbare Abfrage: Eine neue Sparsity-Achse für große Sprachmodelle
High-Level-Bibliothek zur Unterstützung beim flexiblen und transparenten Training und Evaluieren von neuronalen Netzen in PyTorch.
🔥 LeetCode für PyTorch — üben Sie die Implementierung von softmax, attention, GPT-2 und mehr von Grund auf mit sofortiger Auto-Bewertung. Jupyter-basiert, selbst gehostet oder online ausprobieren.
[NeurIPS 2023] Offizielle Implementierung des Papers „Segment Everything Everywhere All at Once“
Meta Lingua: eine schlanke, effiziente und leicht zu erweiternde Codebasis zur Erforschung von LLMs.
Ein Repository für verteiltes Training von Sprachmodellen mit Reinforcement Learning via Human Feedback (RLHF)
Übung auf cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
Ein Open-Source-Text-to-Speech-System, das durch Invertieren von Whisper erstellt wurde.
Ein Repository zur Speicherung von Modellen, die zwischen verschiedenen Frameworks umgewandelt wurden. Unterstützte Frameworks sind TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
Ob Sie nun ein absoluter Anfänger im Kurs sind, Projektanwendungen in CV, NLP, LLM verfolgen oder die fortschrittliche ingenieurmäßige Bereitstellung und Implementierung anstreben, in „Praktischer Pytorch-Leitfaden“ (2. Auflage) finden Sie alles. Wir glauben, dass Leser mit Hilfe dieses Buches die Verwendung von PyTorch mühelos meistern und ausgezeichnete Deep-Learning-Ingenieure werden können.
PointNet und PointNet++ implementiert mit PyTorch (reines Python) und auf ModelNet, ShapeNet und S3DIS.
TNN: Entwickelt vom Tencent Youtu Lab und Guangying Lab, ein einheitliches Deep-Learning-Inferenz-Framework für Mobilgeräte, Desktops und Server. TNN zeichnet sich durch mehrere herausragende Merkmale aus, darunter plattformübergreifende Kompatibilität, hohe Leistung, Modellkomprimierung und Codebereinigung. Basierend auf ncnn und Rapidnet stärkt TNN die Unterstützung und Leistungsoptimierung für mobile Geräte weiter und nutzt auch die Vorteile guter Erweiterbarkeit und hoher Leistung aus bestehenden Open-Source-Bemühungen.
Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference
Tutorials zum Einstieg in PyTorch und TorchText für die Sentiment-Analyse.
Tengine ist ein leichter, hochperformanter, modularer Inferenz-Engine für eingebettete Geräte.
Eine Bibliothek für wissenschaftliches Machine Learning und physik-informiertes Lernen
Open-Source-Evaluierungstoolkit für große Multimodale Modelle (LMMs), unterstützt 220+ LMMs, 80+ Benchmarks
[EMNLP 2022] Ein offenes Toolkit für die Extraktion und Konstruktion von Wissensgraphen
Grundlagen des maschinellen Lernens: Lineare Algebra, Analysis, Statistik & Informatik