#transformer Repositories
Insgesamt 208 Repositories
Sammle einige Papiere über Transformer mit Vision. Beeindruckender Transformer mit Computer Vision (CV)
Einstiegskurse in Deep Learning, Fortgeschrittene Kurse, Spezialkurse, akademische Fälle, industrielle Praxisbeispiele, Deep-Learning-Wissens-Enzyklopädie und Interview-Fragenbank Der Kurs, Fall und das Wissen von Deep Learning und KI
Towhee ist ein Framework, das sich der einfachen und schnellen Verarbeitung von neuronalen Datenpipelines widmet.
Open-Source-Fabrik für automatisierte Faktoren, basierend auf Deep Reinforcement Learning.
Dieses Repository enthält eine Leseliste von Arbeiten zu Zeitreihenvorhersage/-prognose (TSF) und räumlich-zeitlicher Vorhersage/-Prognose (STF). Diese Arbeiten sind hauptsächlich nach Modelltyp kategorisiert.
Rust-native, einsatzbereite NLP-Pipelines und transformerbasierte Modelle (BERT, DistilBERT, GPT2, ...)
[AutoArk] GPA (General Purpose Audio) kann ASR, TTS und Sprachkonvertierung mit einem einzigen winzigen Modell durchführen!
Wir möchten ein Repository erstellen, um die Verwendung von Transformatoren im Chinesischen zu veranschaulichen
Behandelt Vortrainingsdaten, Tokenizer, Transformer, MoE, verteiltes Training, Skalierungsgesetze, Inferenz und Alignment. 6 aufeinander aufbauende Programmieraufgaben für das ganzheitliche Lernen von LLMs.
🔥🔥🔥 Konzentriert auf YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5 verbesserte Modelle, Unterstützung bei der Verbesserung von Backbone, Neck, Head, Loss, IoU, NMS und anderen Modulen🚀
Eine professionell kuratierte Liste großartiger Ressourcen (Paper, Code, Daten usw.) zu Transformatoren in Zeitreihen.
Eine Closed-Loop-Lernplattform für Computer Vision, auf der Code interaktiv online ausgeführt werden kann. Lernen Sie den geschlossenen Kreislauf "Praktische Computer Vision: Algorithmen und Anwendungen" chinesisches E-Book, Quellcode, Community-Austausch für Leser (wird kontinuierlich aktualisiert ...) 📘 Online-E-Book https://charmve.github.io/computer-vision-in-action/ 👇Projekt-Homepage
Forschungsarbeiten und Blogs für den Übergang zur KI-Entwicklung
[CVPR 2022--Oral] Restormer: Effizienter Transformer für hochauflösende Bildrestaurierung. SOTA für Bewegungsunschärfe, Regenentfernung, Entrauschen (Gauß/echte Daten) und Schärfenentfernung.
Large Language Models (LLMs) leicht gemacht, EasyLM ist eine Komplettlösung für Pre-Training, Finetuning, Evaluierung und Serving von LLMs in JAX/Flax.
Graphormer ist ein Allzweck-Deep-Learning-Backbone für molekulare Modellierung.
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
🍅🍅🍅YOLOv5-Lite: Entwickelt aus yolov5 und die Größe des Modells beträgt nur 900+kb (int8) und 1,7M (fp16). Erreicht 15 FPS auf dem Raspberry Pi 4B~
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Lumina-T2X ist ein einheitlicher Rahmen für die Generierung von Text zu beliebigen Modalitäten
[CVPR 2025 Highlight] Video Depth Anything: Konsistente Tiefenschätzung für super-lange Videos
📰 Must-read-Artikel und Blogs über LLM-basierte Long-Context-Modellierung 🔥
Offizielle Implementierung für "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
Open-Source-ASR-Modelle in Industriequalität, die Mandarin, chinesische Dialekte und Englisch unterstützen, neue SOTA-Ergebnisse auf öffentlichen Mandarin-ASR-Benchmarks erzielen und auch eine herausragende Fähigkeit zur Erkennung von Gesangstexten bieten.
Die Open-Source-Edition von QuantMind (Quantitatives Gehirn) ist eine KI-native Multi-Markt-Plattform für den quantitativen Handel, die sich an einzelne Entwickler sowie Forschungs- und Investmentteams richtet. Sie integriert Microsoft Qlib, die Faktorentwicklung von RD-Agent und die umfassende QuantBot-Workbench tiefgreifend und bietet einen vollständigen Prozess – von der Ermittlung von mehr als 300 Faktordimensionen, einer Modellfabrik mit 13 Modellen für maschinelles Lernen und Deep Learning, leistungsstarkem Qlib-Backtesting, batchweiser Querschnittsinferenz und einer rund um die Uhr verfügbaren Echtzeit-Sentimentanalyse der öffentlichen Meinung bis hin zur umfassenden Anbindung an TongdaXin (Sektor-Pushs, Warnradar und Blitz-Orderaufgabe) sowie zum Live- und simulierten Handel. Unterstützt werden A-Aktien, Hongkong-Aktien, US-Aktien, Futures und Blockchain. Die kommerzielle Nutzung ist kostenlos möglich; das System lässt sich per Docker Compose mit einem Klick privat bereitstellen. Daten und Modelle bleiben vollständig lokal, um die Vertraulichkeit der Strategien zu gewährleisten. Alle Funktionen sind ohne Einstiegshürden und ohne Einschränkungen verfügbar.
Deep-Learning-Modelle für die Bildklassifizierung integrieren | Backbone-Lern-/Vergleichs-/Magie-Modifikationsprojekt
Eine kuratierte Liste von Papieren und Ressourcen zur Erkennung von Betrug, Anomalien und Ausreißern auf Graph-/Transformer-Basis
Ein einfach zu bedienendes und leistungsstarkes KI-Bereitstellungs-Framework | An Easy-to-Use and High-Performance AI Deployment Framework
Chinesische Langtextklassifikation, Kurzsatzkonstruktion, Multi-Label-Klassifikation, Ähnlichkeit zweier Sätze (Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short), Vektor-Einbettungsschicht für Zeichen/Wörter/Sätze (embeddings) und Netzwerkschicht (graph) Konstruktionsbasisklasse, FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, Kapselnetzwerk-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN
[ICML 2024] LLMCompiler: Ein LLM-Compiler für parallele Funktionsaufrufe
Importieren Sie SVG-Dateien in Ihr React Native-Projekt auf die gleiche Weise, wie Sie es in einer Web-Anwendung tun würden.
[CVPR 2023] OneFormer: Ein Transformer zur Beherrschung der universellen Bildsegmentierung
Ein codefreies, auf PyTorch basierendes Framework für reproduzierbare Deep-Learning-Studien. PyTorch-Ökosystem. 🏆 Bislang wurden 28 Methoden zur Wissensdestillation implementiert, die auf TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI usw. vorgestellt wurden. 🎁 Trainierte Modelle, Trainingsprotokolle und Konfigurationen stehen zur Verfügung, um die Reproduzierbarkeit sicherzustellen und Benchmarking zu ermöglichen.
Sichere RLHF: Konzernierte Wertausrichtung durch sicheres Reinforcement Learning aus menschlichem Feedback
PaddleSlim ist eine Open-Source-Bibliothek für die Komprimierung tiefer Modelle und die Architektursuche.
Winziges Modell, große Logik: Diversitätsgesteuerte Optimierung entlockt VibeThinker-1.5B die Schlussfolgerungsfähigkeit großer Modelle
Kernl ermöglicht es Ihnen, PyTorch-Transformer-Modelle mit einer einzigen Codezeile mehrmals schneller auf der GPU auszuführen, und ist so konzipiert, dass es leicht zu modifizieren ist.