#pytorch Repositorios
1,936 repositorios en total
JARVIS, un sistema para conectar LLMs con la comunidad de ML. Documento: https://arxiv.org/pdf/2303.17580.pdf
ncnn es un framework de inferencia de redes neuronales de alto rendimiento optimizado para plataformas móviles
Un conjunto de ejemplos en torno a pytorch en Visión, Texto, Aprendizaje por Refuerzo, etc.
Audiocraft es una biblioteca para el procesamiento y la generación de audio con aprendizaje profundo. Incluye el compresor/tokenizador de audio de última generación EnCodec, junto con MusicGen, un LM simple y controlable para la generación de música con acondicionamiento textual y melódico.
Una lista clasificada de fantásticas bibliotecas de Python para aprendizaje automático. Actualizado semanalmente.
ONNX Runtime: Acelerador de inferencia y entrenamiento de ML multiplataforma de alto rendimiento
🤗 El centro más grande de conjuntos de datos listos para usar para modelos de IA con herramientas de manipulación de datos rápidas, fáciles de usar y eficientes
FinGPT: ¡Modelos de lenguaje grandes de código abierto para finanzas! Revoluciona 🔥 Lanzamos el modelo entrenado en HuggingFace.
El pytorch handbook es un libro de código abierto cuyo objetivo es ayudar a aquellos amigos que deseen y usen PyTorch para el desarrollo y la investigación en deep learning a iniciarse rápidamente. Todos los tutoriales de Pytorch incluidos han sido probados y garantizan una ejecución exitosa.
Kit de herramientas de reconocimiento de voz de código abierto para entrenamiento, inferencia, ASR en streaming, VAD, puntuación, tuberías de diarización de hablantes y servicio compatible con OpenAI/MCP.
El repositorio proporciona código para ejecutar la inferencia con el Meta Segment Anything Model 2 (SAM 2), enlaces para descargar los puntos de control del modelo entrenado y cuadernos de ejemplo que muestran cómo usar el modelo.
Un marco flexible para experimentar optimizaciones de inferencia/ajuste fino de LLM heterogéneos
Materiales para el curso "Learn PyTorch for Deep Learning: Zero to Mastery".
Incrustaciones, Recuperación y Reordenación de Última Generación
¡Bienvenido al Cookbook de Llama! Esta es su guía de referencia para construir con Llama: Primeros pasos con inferencia, fine-tuning, RAG. También le mostramos cómo resolver problemas de extremo a extremo utilizando la familia de modelos Llama y utilizándolos en varios servicios de proveedores.
Plataforma de IA privada para agentes, asistentes y búsqueda empresarial. Agent Builder incorporado, investigación profunda, análisis de documentos, soporte multimodelo y conectividad API para agentes.
[NeurIPS 2022] Hacia la restauración de rostros ciega y robusta con Codebook Lookup Transformer
Una colección de diversas arquitecturas, modelos y consejos de aprendizaje profundo
Una lista completa de contenido relacionado con Pytorch en GitHub, como diferentes modelos, implementaciones, bibliotecas auxiliares, tutoriales, etc.
pix2tex: Usando un ViT para convertir imágenes de ecuaciones en código LaTeX.
Burn es una biblioteca de tensores de próxima generación y un marco de aprendizaje profundo que no compromete la flexibilidad, la eficiencia ni la portabilidad.
Código oficial para "F5-TTS: un narrador de cuentos que falsifica el habla fluida y fiel con Flow Matching"
TensorRT LLM proporciona a los usuarios una API de Python fácil de usar para definir Modelos de Lenguaje Grandes (LLM) y admite optimizaciones de vanguardia para realizar inferencias de manera eficiente en GPUs NVIDIA. TensorRT LLM también contiene componentes para crear tiempos de ejecución de Python y C++ que orquestan la ejecución de la inferencia de manera performante.
El Científico de IA: Hacia el Descubrimiento Científico Abierto Totalmente Automatizado 🧑🔬
¡Aprende ingeniería de ML gratis en 4 meses! Regístrate aquí 👇🏼
Una reconstrucción teórica de la arquitectura del Mito de Claude, construida desde primeros principios utilizando la literatura de investigación disponible.
Tutorial de Procesamiento del Lenguaje Natural para Investigadores en Deep Learning
RWKV (pronunciado RwaKuv) es un RNN con un gran rendimiento de LLM, que también se puede entrenar directamente como un transformer GPT (paralelizable). Estamos en RWKV-7 "Goose". Por lo tanto, combina lo mejor de RNN y transformer: gran rendimiento, tiempo lineal, espacio constante (sin caché kv), entrenamiento rápido, ctx_len infinito y incrustación de oraciones gratuita.
Marco de entrenamiento distribuido para TensorFlow, Keras, PyTorch y Apache MXNet.
Scripts de deep learning de vanguardia organizados por modelos - fáciles de entrenar y desplegar con precisión y rendimiento reproducibles en infraestructura de grado empresarial.