#transfer-learning Repositories
Entdecke 56 aktive Open-Source-GitHub-Repositories, die mit #transfer-learning getaggt sind und insgesamt 149,105 Sterne gesammelt haben (durchschnittlich 2,662 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist datawhalechina/leedl-tutorial mit 16,879 Sternen.
Insgesamt 56 Repositories
《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
Transfer Learning / Domain Adaptation / Domain Generalization / Multi-Task Learning usw. Papers, Codes, Datasets, Anwendungen, Tutorials. - Transfer Learning
Code für das Paper "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer"
Eigene Datensätze annotieren, eigene Algorithmen für künstliche Intelligenz trainieren, bewerten, testen und bereitstellen
Transfer-Learning-Bibliothek für Domänenadaption, Aufgabenadaption und Domänenverallgemeinerung
Eine Bibliothek für Transfer Learning durch Wiederverwendung von Teilen von TensorFlow-Modellen.
Implementierung von Segnet, FCN, UNet, PSPNet und anderen Modellen in Keras.
Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Anomalieerkennung in Zeitreihen mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellen Ihres ersten Neural Network, Zeitreihenprognose für tägliche Coronavirus-Fälle, Sentiment Analysis mit BER
Kashgari ist ein produktionsreifes NLP-Transfer-Learning-Framework auf Basis von tf.keras für Text-Beschriftung und Text-Klassifikation, das Word2Vec, BERT und GPT2 Language Embedding enthält.
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Viele Studien haben gezeigt, dass die Leistung auf Deep Learning erheblich vom Umfang der Trainingsdaten beeinflusst wird. Das MedicalNet-Projekt stellt eine Reihe von vortrainierten 3D-ResNet-Modellen und den dazugehörigen Code bereit.
Personalisieren Sie das Segment Anything Model (SAM) mit 1 Schuss in 10 Sekunden
Code für das TKDE-Papier „Selbstüberwachtes Lernen auf Graphen: Kontrastiv, generativ oder prädiktiv“
🛸 Verwenden Sie vortrainierte Transformer wie BERT, XLNet und GPT-2 in spaCy
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).
Sammlung von großartigen Testzeit- (Domänen-/Batch-/Instanz-)Anpassungsmethoden
Eine umfassende Liste von großartigen kontrastiven selbstüberwachten Lernpapieren.
TorchXRayVision: Eine Bibliothek von Röntgen-Thorax-Datensätzen und Modellen. Klassifikatoren, Segmentierung und Autoencoder.
Eine kuratierte Liste von NLP-Ressourcen, die sich auf Transformer-Netzwerke, Attention-Mechanismus, GPT, BERT, ChatGPT, LLMs und Transfer Learning konzentriert.
ICCV 2023-2025 Artikel: Entdecken Sie Spitzenforschung von ICCV 2023-25, der führenden Konferenz für Computer Vision. Bleiben Sie auf dem Laufenden über das Neueste in Computer Vision und Deep Learning, inklusive Code. ⭐ Unterstützen Sie die Entwicklung visueller Intelligenz!
KI-gestütztes Moleküldesign-Tool für De-novo-Design, Scaffold-Hopping, R-Gruppen-Ersatz, Linker-Design und Moleküloptimierung.
Gaze-LLE: Erfassung von Blickzielen durch umfangreiche gelernte Encodierer (CVPR 2025, Highlight)
Eine kuratierte Liste von DATASETS, CODEBASES und PAPERS zu Multi-Task Learning (MTL) aus der Perspektive des Machine Learning.
Modellzusammenführung in LLMs, MLLMs und darüber hinaus: Methoden, Theorien, Anwendungen und Möglichkeiten. ACM Computing Surveys, 2026.
[MICCAI-Preis für junge Wissenschaftler 2019] [MedIA-Preis für die beste Publikation] Models Genesis: selbstüberwachtes Vortraining für medizinische 3D-Bilder. Lernt übertragbare Repräsentationen aus nicht annotierten CT- und MRT-Volumendaten und wird anschließend für nachgelagerte Segmentierungs- und Klassifikationsaufgaben feinabgestimmt. Keras- und PyTorch-Gewichte enthalten.
TensorFlow- und PyTorch-Implementierung von "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
Das wichtigste Repository für modernste Forschung und Entwicklung im Bereich der multilingualen Frage-Antwort-Systeme.
BiomedGPT: Ein allgemeines Vision-Language Basismodell für diverse biomedizinische Aufgaben
Prov-GigaPath: Ein ganzes Schichtenmodell für die digitale Pathologie aus realen Daten
Vollständiger Lebenszyklus eines Data-Science-Projekts
Der offizielle Code für "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Häufig gestellte Fragen
Welches ist das beliebteste #transfer-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#transfer-learning-Projekt auf GitHub ist datawhalechina/leedl-tutorial mit 16,879 Sternen. 《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
Welche Programmiersprachen werden in #transfer-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #transfer-learning-Projekten auf GitHub sind Python, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #transfer-learning-Repositories berechnet?
Wir verfolgen 56 aktive Open-Source-Repositories, die mit #transfer-learning getaggt sind (500+ Sterne), mit insgesamt 149,105 Sternen und durchschnittlich 2,662 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.