#transformer Repositories
Entdecke 208 aktive Open-Source-GitHub-Repositories, die mit #transformer getaggt sind und insgesamt 1,197,728 Sterne gesammelt haben (durchschnittlich 5,758 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist huggingface/transformers mit 169,339 Sternen.
Insgesamt 208 Repositories
🤗 Transformers: Der Framework zur Modell-Definition für State-of-the-Art-Machine-Learning-Modelle in Text, Vision, Audio und multimodalen Modellen, sowohl für Inferenz als auch für Training.
Eine hochdurchsatzfähige und speichereffiziente Inferenz- und Serving-Engine für LLMs
🧑🏫 60+ Implementierungen/Tutorials von Deep-Learning-Papieren mit begleitenden Notizen 📝; einschließlich Transformatoren (Original, xl, switch, feedback, vit, ...), Optimierern (adam, adabelief, sophia, ...), gans (cyclegan, stylegan2, ...), 🎮 Reinforcement Learning (ppo, dqn), capsnet, Destillation, ... 🧠
Sprachmodelle ohne Training verändern: Zensur aufheben, minderwertige Inhalte unterdrücken, Schmeichelei reduzieren und mehr
SGLang ist ein Hochleistungs-Serving-Framework für große Sprachmodelle und multimodale Modelle.
Eine Rangliste von großartigen Machine-Learning-Python-Bibliotheken. Wöchentlich aktualisiert.
Qiu Xipengs „Neuronale Netze und Deep Learning“, zweite Auflage und allgemeinbildende Ausgabe: E-Book, Inhaltsverzeichnis, Lernressourcen und Errata.
FreeToken bringt Modellbereitstellung auf Rechenzentrumsniveau auf Ihren Desktop. Führen Sie riesige Modelle lokal, schnell und effizient aus.
《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
MNN: Ein ultraschneller, leichter Inferenz-Engine, im Kampfeinsatz von Alibaba getestet, der hochperformante On-Device-LLMs und Edge-AI antreibt.
pix2tex: Verwendung eines ViT zur Umwandlung von Gleichungsabbildungen in LaTeX-Code.
RWKV (ausgesprochen RwaKuv) ist ein RNN mit großartiger LLM-Leistung, das auch direkt wie ein GPT-Transformer trainiert werden kann (parallelisierbar). Wir sind bei RWKV-7 "Goose". Es kombiniert also das Beste aus RNN und Transformer - großartige Leistung, lineare Zeit, konstanter Speicherplatz (kein kv-Cache), schnelles Training, unendliche ctx_len und kostenlose Satz-Einbettung.
Ein leistungsstarker HTTP-Client für Dart und Flutter, der globale Einstellungen, Interceptors, FormData, das Abbrechen und Stornieren einer Anfrage, das Hoch- und Herunterladen von Dateien, Anfragetimeouts, benutzerdefinierte Adapter usw. unterstützt.
Einfaches Sprach-Toolkit mit Self-Supervised-Learning-Modell, SOTA/Streaming-ASR mit Interpunktion, Streaming-TTS mit Text-Frontend, Sprecher-Verifizierungssystem, End-to-End-Sprachübersetzung und Keyword-Spotting. Gewann den NAACL2022 Best Demo Award.
Ein Kimi K3-Modell mit 2,78 Billionen Parametern, das Inferenz auf einer einzelnen CPU mit 8,24 GB RAM ausführt. Portables C99: kein BLAS, kein Framework, keine GPU.
Manga/Bilder übersetzen – Text in allen möglichen Bildern mit einem Klick übersetzen https://cotrans.touhou.ai/ https://greasyfork.org/en/scripts/437569-cotrans-manga-image-translator-regular-edition
LLMs zu Hause ausführen, im BitTorrent-Stil. Fine-Tuning und Inferenz bis zu 10x schneller als beim Offloading.
Einfach zu bedienende Bildsegmentierungs-Bibliothek mit toller Sammlung vortrainierter Modelle, die eine breite Palette praktischer Aufgaben in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation usw. unterstützt.
Ein erweiterbares Toolkit für das Finetuning und die Inferenz großer Grundmodelle. Große Modelle für alle.
Chinesische Version des GPT2-Trainingscodes, der den BERT-Tokenizer verwendet.
🔍 Ein LLM-basierter Multi-Agenten-Framework für Web-Suchmaschinen (wie Perplexity.ai Pro und SearchGPT)
Eine offene, programmierbare Entscheidungsebene für Modelle und Rechenleistung.
Das GitHub-Repository für die Arbeit „Informer“, die von AAAI 2021 akzeptiert wurde.
Zeitreihen Timeseries Deep Learning Machine Learning Python Pytorch fastai | State-of-the-Art Deep Learning-Bibliothek für Zeitreihen und Sequenzen in Pytorch / fastai
Tutorials zur Implementierung einiger Sequence-to-Sequence (Seq2Seq) Modelle mit PyTorch und TorchText.
【Drei Jahre Vorstellungsgespräche, fünf Jahre Prüfungssimulationen】Eine Plattform mit Interviewressourcen für Algorithmusingenieure im Bereich AIGC/LLM/AI Agent. Sie umfasst praxisnahe Erfahrungen und wichtige Inhalte für Vorstellungsgespräche und schriftliche Prüfungen sowie grundlegendes, langfristig relevantes Wissen aus der KI-Branche, darunter AIGC, Large Language Models (LLMs), KI-Agenten, verkörperte Intelligenz, klassisches Deep Learning, Computer Vision, natürliche Sprachverarbeitung, autonomes Fahren, maschinelles Lernen, bestärkendes Lernen, Big-Data-Mining, Weltmodelle, das Metaversum, AGI und vieles mehr.
Eine letztlich umfassende Liste von Papieren zu Vision Transformer/Attention, einschließlich Papieren, Codes und verwandter Websites
Bedingte Speicher durch skalierbare Abfrage: Eine neue Sparsity-Achse für große Sprachmodelle
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!
Effiziente KI-Backbones einschließlich GhostNet, TNT und MLP, entwickelt von Huawei Noah's Ark Lab.
Häufig gestellte Fragen
Welches ist das beliebteste #transformer-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#transformer-Projekt auf GitHub ist huggingface/transformers mit 169,339 Sternen. 🤗 Transformers: Der Framework zur Modell-Definition für State-of-the-Art-Machine-Learning-Modelle in Text, Vision, Audio und multimodalen Modellen, sowohl für Inferenz als auch für Training.
Welche Programmiersprachen werden in #transformer-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #transformer-Projekten auf GitHub sind Python, C++, Jupyter Notebook, JavaScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #transformer-Repositories berechnet?
Wir verfolgen 208 aktive Open-Source-Repositories, die mit #transformer getaggt sind (500+ Sterne), mit insgesamt 1,197,728 Sternen und durchschnittlich 5,758 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.