#deep-learning Repositorios
2,273 repositorios en total
Este repositorio contiene el curso de aprendizaje por refuerzo profundo de Hugging Face.
🌟 ¡Más de 100 diagramas originales de LLM / RL 📚, obra maestra del autor de "Large Model Algorithms"! 💥 (100+ Mapas de Algoritmos LLM/RL)
MACE es un marco de inferencia de aprendizaje profundo optimizado para plataformas de cómputo heterogéneas móviles.
Lista de grupos, canales y bots de telegram // Lista de grupos, canales y bots interesantes de telegram // Lista de chats para programadores
Una lista finalmente completa de artículos sobre Vision Transformer/Attention, que incluye artículos, códigos y sitios web relacionados
Recursos, práctica e investigación sobre aprendizaje automático e IA agentiva
Torchreid: Identificación de personas mediante deep learning en PyTorch.
Creo que ustedes, los estudiantes de posgrado y los que buscan empleo para quienes el libro está destinado principalmente, se beneficiarán de su lectura; sin embargo, espero que incluso los investigadores más experimentados lo encuentren fascinante.
LightGlue: Coincidencia de características locales a la velocidad de la luz (ICCV 2023)
Kit de Visualización de Aprendizaje Profundo (Herramienta de visualización de aprendizaje profundo „Fly Paddle“ )
Código de implementación oficial del artículo <AnyText: Generación y edición de texto visual multilingüe>
Redes Convolucionales Densamente Conectadas, En CVPR 2017 (Premio al Mejor Artículo).
Un lenguaje de programación probabilístico en TensorFlow. Modelos generativos profundos, inferencia variacional.
Biblioteca de alto nivel para ayudar a entrenar y evaluar redes neuronales en PyTorch de manera flexible y transparente.
MegEngine es un framework de aprendizaje profundo rápido, escalable, fácil de usar y que admite la diferenciación automática.
Minería de datos, Visión por computadora, Procesamiento del lenguaje natural, Conocimiento en competencias de sistemas de recomendación, Código, Ideas
[NeurIPS 2023] Implementación oficial del artículo "Segment Everything Everywhere All at Once"
Práctica en 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)
El stack de software de Google DeepMind para simulación basada en física y entornos de Reinforcement Learning, utilizando MuJoCo.
Guía de Ingeniería de Prompts, IA Generativa y LLM de Learn Prompting | Únete a nuestro Discord para la comunidad de aprendizaje de Ingeniería de Prompts más grande
Implementación JAX del modelo Whisper de OpenAI para una aceleración de hasta 70 veces en TPU.
Una guía para construir sistemas de aprendizaje profundo a nivel de producción prácticos que se desplieguen en aplicaciones del mundo real.
TNN: Desarrollado por Tencent Youtu Lab y Guangying Lab, un framework de inferencia de aprendizaje profundo unificado para móviles, escritorios y servidores. TNN se distingue por varias características sobresalientes, que incluyen su capacidad multiplataforma, alto rendimiento, compresión de modelos y poda de código. Basado en ncnn y Rapidnet, TNN fortalece aún más el soporte y la optimización del rendimiento para dispositivos móviles, y también aprovecha las ventajas de buena extensibilidad y alto rendimiento de los esfuerzos de código abierto existentes.
Implementación Plug and Play de "Tree of Thoughts": Resolución deliberada de problemas con modelos de lenguaje grandes que eleva el razonamiento del modelo en al menos un 70%
"Grandes Modelos de Lenguaje" por: Zhao Xin, Li Junyi, Zhou Kun, Tang Tianyi, Wen Jirong
[ICCV 2019] Estimación de profundidad monocular a partir de una sola imagen
Una biblioteca para el aprendizaje automático científico y el aprendizaje informado por la física
[EMNLP 2022] Un kit de herramientas abierto para la extracción y construcción de grafos de conocimiento
Convierta fácilmente grandes conjuntos de URL de imágenes en un conjunto de datos de imágenes. Puede descargar, cambiar el tamaño y empaquetar 100 millones de URL en 20 horas en una sola máquina.
El proyecto es una implementación oficial de nuestro artículo de CVPR2019 "Deep High-Resolution Representation Learning for Human Pose Estimation".