#transformer Repositorios
208 repositorios en total
Recopila algunos artículos sobre transformadores con visión. Impresionante transformador con Visión por Computadora (CV)
Cursos introductorios de aprendizaje profundo, cursos avanzados, cursos especiales, casos académicos, casos de práctica industrial, enciclopedia de conocimiento de aprendizaje profundo y banco de preguntas de entrevista El curso, caso y conocimiento de Deep Learning y AI
Towhee es un framework dedicado a hacer que los pipelines de procesamiento de datos neuronales sean simples y rápidos.
Fábrica de factores automatizada de código abierto basada en aprendizaje por refuerzo profundo.
Este repositorio contiene una lista de lectura de artículos sobre Pronóstico/Predicción de Series Temporales (TSF) y Pronóstico/Predicción Espacio-Temporal (STF). Estos artículos se clasifican principalmente según el tipo de modelo.
Plugin de hardware para vLLM en Huawei Ascend mantenido por la comunidad
Pipelines de NLP nativos de Rust listos para usar y modelos basados en transformadores (BERT, DistilBERT, GPT2, ...)
[AutoArk] ¡GPA (General Purpose Audio) puede realizar ASR, TTS y conversión de voz con un solo modelo diminuto!
queremos crear un repo para ilustrar el uso de transformers en chino
Cubre datos de preentrenamiento, tokenizadores, Transformers, MoE, entrenamiento distribuido, leyes de escalado, inferencia y alineación. 6 tareas de programación progresivas para aprender LLM de principio a fin.
🔥🔥🔥 Enfocado en modelos mejorados YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5, Soporte para mejorar el backbone, neck, head, loss, IoU, NMS y otros módulos🚀
Una lista seleccionada profesionalmente de excelentes recursos (documentos, código, datos, etc.) sobre transformadores en series temporales.
Colección de artículos y proyectos de código abierto de ICCV 2025
Una plataforma de aprendizaje de circuito cerrado de visión por computadora donde el código se puede ejecutar interactivamente en línea. Aprendizaje de circuito cerrado "Visión por computadora en acción: algoritmos y aplicaciones" libro electrónico chino, código fuente, comunidad de intercambio para lectores (en continua actualización ...) 📘 Libro electrónico en línea https://charmve.github.io/computer-vision-in-action/ 👇Página de inicio del proyecto
Artículos de investigación y blogs para la transición a la ingeniería de IA
[CVPR 2022--Oral] Restormer: Transformer eficiente para la restauración de imágenes de alta resolución. SOTA para desenfoque de movimiento, eliminación de lluvia de imágenes, eliminación de ruido (datos gaussianos/reales) y desenfoque de enfoque.
Modelos de lenguaje grandes (LLM) simplificados, EasyLM es una solución integral para el preentrenamiento, el ajuste fino, la evaluación y el servicio de LLM en JAX/Flax.
Graphormer es un backbone de aprendizaje profundo de propósito general para modelado molecular.
Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning & Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, Detección de anomalías en series temporales con LSTM Autoencoders, Detección de objetos con YOLO v5, Construye tu primera Neural Network, Pronóstico de series temporales para casos diarios de Coronavirus, Análisis de sentimientos con BER
🍅🍅🍅YOLOv5-Lite: Evolucionado de yolov5 y el tamaño del modelo es de solo 900+ kb (int8) y 1,7 M (fp16). Alcanza 15 FPS en Raspberry Pi 4B~
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Lumina-T2X es un framework unificado para la generación de texto a cualquier modalidad
[CVPR 2025 Highlight] Video Depth Anything: Estimación de profundidad coherente para videos superlargos
📰 Artículos y blogs de lectura obligatoria sobre modelado de contexto largo basado en LLM 🔥
Implementación oficial de "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
Modelos ASR de nivel industrial de código abierto que admiten mandarín, dialectos chinos e inglés, logrando un nuevo SOTA en puntos de referencia públicos de ASR en mandarín, al tiempo que ofrecen una capacidad excepcional de reconocimiento de letras de canciones.
La edición de código abierto de QuantMind (Cerebro Cuantitativo) es una plataforma de trading cuantitativo multimercado nativa de IA, dirigida a desarrolladores individuales y equipos de investigación y gestión de inversiones. Integra profundamente Microsoft Qlib, la evolución de factores de RD-Agent y el banco de trabajo integral QuantBot, ofreciendo un circuito completo que abarca la minería de más de 300 dimensiones de factores, una fábrica de modelos con 13 modelos de aprendizaje automático y aprendizaje profundo, backtesting de alto rendimiento con Qlib, inferencia transversal por lotes, análisis de sentimiento de la opinión pública en tiempo real 24/7, integración profunda con TongdaXin (envío de información sectorial, radar de alertas y colocación rápida de órdenes), y trading real y simulado. Es compatible con acciones A, acciones de Hong Kong, acciones estadounidenses, futuros y blockchain. Puede utilizarse comercialmente de forma gratuita y desplegarse de manera privada con un solo clic mediante Docker Compose. Los datos y modelos se mantienen completamente locales para proteger la privacidad de las estrategias, y todas las funciones están disponibles sin barreras ni limitaciones.
Integrar modelos de aprendizaje profundo para la clasificación de imágenes | Proyecto de aprendizaje/comparación/modificación mágica de la columna vertebral
Una lista curada de artículos y recursos sobre detección de fraudes, anomalías y valores atípicos basada en grafos/transformadores
Un framework de implementación de IA fácil de usar y de alto rendimiento | An Easy-to-Use and High-Performance AI Deployment Framework
Clasificación de texto largo en chino, clasificación de oraciones cortas, clasificación multietiqueta, similitud de dos oraciones (Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short), capa de incrustación de vectores de caracteres/palabras/oraciones (embeddings) y capa de red (graph) clase base de construcción, FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, Red de Cápsulas-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN
[ICML 2024] LLMCompiler: Un compilador LLM para llamadas de funciones paralelas
Importa archivos SVG en tu proyecto de React Native de la misma manera que lo harías en una aplicación web.
[CVPR 2023] OneFormer: Un Transformer para gobernar la segmentación universal de imágenes
Modelos de redes neuronales preentrenados en Axon (+ integración de 🤗 Models)
Un framework sin necesidad de programar, basado en PyTorch, para realizar estudios de aprendizaje profundo reproducibles. Ecosistema PyTorch. 🏆 Hasta ahora se han implementado 28 métodos de destilación del conocimiento presentados en TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. 🎁 Se ofrecen modelos entrenados, registros de entrenamiento y configuraciones para garantizar la reproducibilidad y facilitar la evaluación comparativa.
RLHF Seguro: Alineación de Valores Restringida mediante Aprendizaje por Refuerzo Seguro a partir de Retroalimentación Humana
PaddleSlim es una biblioteca de código abierto para la compresión de modelos profundos y la búsqueda de arquitecturas.
Una base de código unificada de aprendizaje semisupervisado (NeurIPS'22)
Modelo Pequeño, Gran Lógica: La optimización impulsada por la diversidad provoca la capacidad de razonamiento de modelos grandes en VibeThinker-1.5B
Kernl le permite ejecutar modelos transformer de PyTorch varias veces más rápido en GPU con una sola línea de código, y está diseñado para ser fácilmente modificable.