#tensorflow Repositories
Insgesamt 454 Repositories
GPU-Jupyter: Ihr GPU-beschleunigtes JupyterLab mit einem reichen Data-Science-Toolstack, TensorFlow und PyTorch für Ihre reproduzierbaren Deep-Learning-Experimente.
Neueste hochzitierte/Top-Konferenz-Papiere zur Erklärbarkeit von neuronalen Netzwerkmodellen im Deep Learning (mit Code)
Die Tensorflow-, Keras-Implementierung von U-net, V-net, U-net++, UNET 3+, Attention U-net, R2U-net, ResUnet-a, U^2-Net, TransUNET und Swin-UNET mit optionalen, auf ImageNet trainierten Backbones.
Generischer und benutzerfreundlicher Serving-Service für Machine-Learning-Modelle
Die weltweit schnellste ANPR-/ALPR-Implementierung für CPUs, GPUs, VPUs und NPUs auf Basis von Transformers (ONNX, TensorFlow Lite, TensorRT, Hailo, OpenVINO, RKNN2 ...). Unterstützt mehrere Zeichensätze (lateinisch, koreanisch, chinesisch), Betriebssysteme (Jetson, Android, Raspberry Pi, Linux, Windows) und Architekturen (ARM, x86).
Dataset-, Streaming- und Dateisystemerweiterungen, die von TensorFlow SIG-IO gepflegt werden
NeuPy ist eine auf TensorFlow basierende Python-Bibliothek für das Prototyping und den Aufbau neuronaler Netze.
Code für die Veröffentlichung "Computation Offloading Optimization for UAV-assisted Mobile Edge Computing: A Deep Deterministic Policy Gradient Approach"
Revisiting von vortrainierten Modellen für die chinesische Verarbeitung natürlicher Sprache (MacBERT)
Intel® AI Reference Models: Enthält Intel-Optimierungen für das Ausführen von Deep-Learning-Workloads auf Intel® Xeon® Scalable-Prozessoren und Intel® Data Center GPUs
Untersuchen, visualisieren und beeinflussen Sie jede Operation in jedem neuronalen Netzwerk. Erfassen Sie jede Aktivierung und jeden Gradienten, den vollständigen Berechnungsgraphen und über 800 Metadatenfelder, ohne den Modellcode zu ändern. Unterstützt PyTorch, JAX, TensorFlow, MLX, PaddlePaddle und tinygrad. An über 6.400 Modellen validiert. Entwickelt für Forschende und ihre KI-Agenten.
Zusammenfassung von JavaScript-Lerncode, fortgeschrittene Funktionen, Datenstrukturen, Entwurfsmuster, TypeScript, Vue, Angular, React, Node, Webpack, Weex, Mini-Programme, TensorFlow..., JavaScript ist die beste Sprache der Welt!
Ein zero-dependency ML-Framework in C mit moderner Python-API für volle Kontrolle über Ausführung und Speicher.
Eine Full Stack ML (Machine Learning) Roadmap beinhaltet das Erlernen der notwendigen Fähigkeiten und Technologien, um in allen Aspekten des maschinellen Lernens versiert zu werden, einschließlich Datenerfassung und -vorverarbeitung, Modellentwicklung, Bereitstellung und Wartung.
Ein schnelles Deep-Learning-Modell zum Upsamplen von Videos niedriger Auflösung zu hoher Auflösung bei 30 fps
Deep Learning on Flink zielt darauf ab, Flink und Deep-Learning-Frameworks (z. B. TensorFlow, PyTorch usw.) zu integrieren, um verteiltes Deep-Learning-Training und -Inference auf einem Flink-Cluster zu ermöglichen.
Offline-Spracherkennung mit OpenAI Whisper und TensorFlow Lite für Android
Eine Sammlung von Algorithmen auf dem neuesten Stand der Technik für das Training, die Bereitstellung und die Interpretation von Decision Forest-Modellen in Keras.
Fabric for Deep Learning (FfDL, ausgesprochen fiddle) ist eine Deep-Learning-Plattform, die TensorFlow, Caffe, PyTorch usw. als Service auf Kubernetes anbietet.
[JMLR 2023] Quantus ist ein Toolkit für erklärbare KI zur verantwortungsvollen Bewertung von Erklärungen neuronaler Netze
Eine Bibliothek zum Trainieren, Bewerten, Interpretieren und Produzieren von Entscheidungsforstmodellen wie Random Forest und Gradient Boosted Decision Trees.
Installationsunterstützung für Deep Learning-Frameworks für das ArcGIS-System
Vom Großen zum Kleinen: Multi-Skala Lokale Planare Führung für die Monokulare Tiefenschätzung
Synthetische Datengeneratoren für strukturierte und unstrukturierte Texte, mit differential-privatem Lernen.
Dieses Repository enthält Tutorials darüber, wie man die TensorFlow Estimator-APIs verwendet, um verschiedene ML-Aufgaben auf systematische und standardisierte Weise durchzuführen.
Alle meine selbst trainierten und veröffentlichten KI-Upscaling-Modelle. Nachdem ich über 600 verschiedene Upscaling-Modelle gesammelt und angewendet hatte, lernte ich, wie ich meine eigenen Modelle trainieren kann, und dies sind die Ergebnisse.
Visualkeras ist ein Python-Paket, das hilft, Keras (entweder eigenständig oder in TensorFlow enthalten) neuronale Netzwerkarchitekturen zu visualisieren. Es ermöglicht einfaches Styling, um den meisten Anforderungen gerecht zu werden. Dieses Modul unterstützt die Generierung von Architekturen im Layla-Stil, was hervorragend für CNNs (Convolutional Neural Networks) geeignet ist, und eine Architektur im Graph-Stil, die für die meisten Modelle, einschließlich einfacher Feed-Forward-Netzwerke, hervorragend funktioniert.
Implementierung von Inverse Reinforcement Learning (IRL)-Algorithmen in Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
🚀 200-fache Geschwindigkeit! Das Download-Tool der KI-Ära | Volle Beschleunigung für Docker/PyPI/HuggingFace/CRAN | Parallelpartitionierung + intelligenter Cache, lass die Downloads abheben.
Zusätzliche Utils und Helfer zur Erweiterung von TensorFlow beim Aufbau von Empfehlungssystemen, beigetragen und gepflegt von SIG Recommenders.
Keras beit,caformer,CMT,CoAtNet,convnext,davit,dino,efficientdet,edgenext,efficientformer,efficientnet,eva,fasternet,fastervit,fastvit,flexivit,gcvit,ghostnet,gpvit,hornet,hiera,iformer,inceptionnext,lcnet,levit,maxvit,mobilevit,moganet,nat,nfnets,pvt,swin,tinynet,tinyvit,uniformer,volo,vanillanet,yolor,yolov7,yolov8,yolox,gpt2,llama2, alias kecam