#pytorch Repositorios
1,936 repositorios en total
MACE: Potenciales interatómicos de aprendizaje automático rápidos y precisos con paso de mensajes de orden superior equivariante.
Este repositorio proporciona el código y los puntos de control del modelo para los proyectos de investigación AIMv1 y AIMv2.
Código fuente y conjunto de datos para el artículo ACL 2019 "ERNIE: Enhanced Language Representation with Informative Entities"
Implementación del Aprendizaje Eficiente en Comunicación de Redes Profundas a partir de Datos Descentralizados
Un paquete flexible para multimodal-deep-learning que combina datos tabulares con texto e imágenes utilizando modelos Wide y Deep en Pytorch
(CVPR 2025) De modelos de difusión de video lentos bidireccionales a rápidos autorregresivos
🛸 Usa transformadores preentrenados como BERT, XLNet y GPT-2 en spaCy
Framework basado en Pytorch para la resolución de problemas de optimización paramétrica con restricciones, identificación de sistemas basada en la física y control predictivo de modelo paramétrico.
Repositorio oficial de optimización evolutiva de recetas de fusión de modelos
FireRed-Image-Edit es un potente modelo de base para edición de imágenes que logra el rendimiento de vanguardia de código abierto con seguimiento preciso de instrucciones, generación de alta fidelidad, consistencia superior de identidad y fusión multi-elemento perfecta.
[CVPR 2025] Hallo3: Animación de imágenes de retratos altamente dinámica y realista con Video Diffusion Transformer
Calcule los requisitos de tokens/s y memoria de GPU para cualquier LLM. Soporta cuantización llama.cpp/ggml/bnb/QLoRA
Crea, entrena, optimiza y ejecuta modelos de visión por computadora localmente, desde imágenes sin procesar hasta inferencia en tiempo real. De código abierto y optimizado para Intel® XPU (también compatible con CUDA).
[CVPR 2025 Highlight] Reconstrucción densa de escenas en tiempo real con SLAM3R
Implementación oficial del artículo "MonST3R: Un enfoque simple para estimar la geometría en presencia de movimiento"
[pip install medmnist] 18 conjuntos de datos estandarizados para clasificación de imágenes biomédicas 2D y 3D
Framework modular de Deep Reinforcement Learning en PyTorch. Biblioteca complementaria del libro "Foundations of Deep Reinforcement Learning".
[ICLR'23 Spotlight🔥] El primer pre-entrenamiento exitoso al estilo BERT/MAE en cualquier red neuronal convolucional; Implementación en Pytorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Implementaciones mínimas y anotadas de ideas clave de la investigación moderna en aprendizaje profundo.
PoolFormer: MetaFormer es en realidad lo que necesitas para visión (CVPR 2022 Oral)
[CVPR 2021] Restauración progresiva de imágenes multietapa. Resultados SOTA para desenfoque, eliminación de lluvia y eliminación de ruido de imágenes.
Una biblioteca rápida de superposición de comunicación para paralelismo tensorial/experto en GPU.
Un kit de herramientas fundamental diseñado para la generación de música, canciones y audio
Framework probabilístico de pronóstico de series temporales basado en PyTorch con backend GluonTS
Implementación adecuada de ResNet-s para CIFAR10/100 en PyTorch que coincide con la descripción del paper original.
Investigación de la arquitectura DeepSeek Engram basada en Qwen-3 y la serie Stable Diffusion.
Software de aprendizaje profundo para decodificar señales EEG, ECG o MEG
Construcción de robots de propósito general basados en modelos fundacionales corporizados
Detección y reconocimiento facial con aprendizaje profundo, implementado con PyTorch. (Detección y reconocimiento facial implementado con PyTorch)
BatchNorm Activado In Situ para el Entrenamiento Optimizado en Memoria de DNNs
Repositorio oficial de Pytorch para la Compresión Extrema de Modelos de Lenguaje Grandes mediante Cuantización Aditiva https://arxiv.org/pdf/2401.06118.pdf y PV-Tuning: Más allá de la Estimación Directa para la Compresión Extrema de LLMs https://arxiv.org/abs/2405.14852
NeRF ilimitados/a gran escala de última generación, sencillos y rápidos.
Este proyecto utiliza una variedad de modelos avanzados de reconocimiento de huellas vocales como EcapaTdnn, ResNetSE, ERes2Net, CAM++, etc. No se excluye que en el futuro se admitan más modelos. Al mismo tiempo, este proyecto también admite los métodos de preprocesamiento de datos MelSpectrogram y Spectrogram.