#deep-learning Dépôts
Découvrez 2,273 dépôts GitHub open source actifs associés à #deep-learning, cumulant 10,372,329 étoiles au total (soit une moyenne de 4,563 étoiles par projet). Le projet en tête de ce thème est tensorflow/tensorflow, avec 201,665 étoiles.
2,273 dépôts au total
🤗 Transformers : le framework de définition de modèles pour les modèles d'apprentissage automatique de pointe en texte, vision, audio et modèles multimodaux, à la fois pour l'inférence et l'entraînement.
Implémentez à partir de zéro un LLM de type ChatGPT dans PyTorch, étape par étape
Tenseurs et réseaux de neurones dynamiques en Python avec une forte accélération GPU
🐙 Guides, articles, leçons, notebooks et ressources pour l'ingénierie des prompts, l'ingénierie contextuelle, le RAG et les agents IA.
Apprenez l’ingénierie de l’IA ! Apprenez-la. Construisez-la. Mettez-la à la disposition des autres.
Une liste organisée d'excellents frameworks, bibliothèques et logiciels d'apprentissage automatique.
《Plongez dans l'apprentissage profond》 : Pour les lecteurs chinois, exécutable et discutables. Les versions chinoise et anglaise sont utilisées pour l'enseignement dans plus de 500 universités de plus de 70 pays.
🧑🏫 60+ implémentations/tutoriels d'articles de deep learning avec des notes côte à côte 📝; y compris les transformers (original, xl, switch, feedback, vit, ...), les optimiseurs (adam, adabelief, sophia, ...), les gans (cyclegan, stylegan2, ...), 🎮 l'apprentissage par renforcement (ppo, dqn), les capsnet, la distillation, ... 🧠
Le dépôt le plus simple et le plus rapide pour entraîner/affiner des GPT de taille moyenne.
Ultralytics YOLO27, YOLO26, YOLO11, YOLOv8 — détection d’objets, segmentation d’instances, segmentation sémantique, classification d’images, estimation de pose et suivi d’objets
Clonez une voix en 5 secondes pour générer des discours arbitraires en temps réel
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
500 questions sur l'apprentissage profond, présentées sous forme de questions-réponses pour expliquer des sujets chauds tels que les connaissances courantes en probabilité, algèbre linéaire, apprentissage automatique, apprentissage profond, vision par ordinateur, etc., afin d'aider moi-même et les lecteurs dans le besoin. L'ensemble du livre est divisé en 18 chapitres, plus de 500 000 mots. En raison d'un niveau limité, je demande instamment aux lecteurs de critiquer et corriger toute partie inappropriée dans le livre. À suivre............ Si intéressé par une coopération, contactez [email protected] Tous droits réservés, la violation sera poursuivie Tan 2018.06
Le dépôt fournit le code pour exécuter l'inférence avec le modèle SegmentAnything (SAM), des liens pour télécharger les points de contrôle du modèle entraîné et des notebooks d'exemple qui montrent comment utiliser le modèle.
Qlib est une plateforme d'investissement Quant axée sur l'IA qui vise à utiliser la technologie de l'IA pour renforcer la recherche Quant, de l'exploration des idées à la mise en œuvre de la production. Qlib prend en charge divers paradigmes de modélisation ML, y compris l'apprentissage supervisé, la modélisation de la dynamique du marché et l'apprentissage par renforcement (RL), et est maintenant équipé de https://github.com/microsoft/RD-Agent pour automatiser le processus de R&D.
Apprenez à développer, déployer et itérer sur des applications ML de qualité production.
Ray est un moteur de calcul IA. Ray est composé d'un runtime distribué central et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.
Créez et partagez des applications d'apprentissage automatique délicieuses, tout en Python. 🌟 Étoilé pour soutenir notre travail !
🐸💬 - une boîte à outils d'apprentissage profond pour la synthèse vocale, éprouvée en recherche et en production
Tutoriel et Exemples TensorFlow pour Débutants (support TF v1 & v2)
DeepSpeed est une bibliothèque d'optimisation pour l'apprentissage profond qui rend l'entraînement distribué et l'inférence simples, efficaces et performants.
Synthèse d'images à haute résolution avec des modèles de diffusion latente
Rendre les grands modèles d'IA moins chers, plus rapides et plus accessibles
ChatGLM-6B : Un modèle linguistique de dialogue bilingue open source | Modèle linguistique de dialogue bilingue open source
500 projets IA Machine learning Deep learning Vision par ordinateur NLP avec code
Solutions ML multiplateformes et personnalisables pour les médias en direct et en streaming.
GFPGAN vise à développer des algorithmes pratiques pour la restauration de visages dans le monde réel.
Un kit d'outils pour développer et comparer des algorithmes d'apprentissage par renforcement.
🚀 Clonez une voix en 5 secondes pour générer un discours arbitraire en temps réel
Detectron2 est une plateforme pour la détection d'objets, la segmentation et d'autres tâches de reconnaissance visuelle.
🤗 Diffusers : Modèles de diffusion à la pointe de la technologie pour la génération d'images, de vidéos et d'audio dans PyTorch.
CLIP (Contrastive Language-Image Pretraining), Prédire l'extrait de texte le plus pertinent étant donné une image
Foire aux questions
Quel est le dépôt #deep-learning le plus populaire sur GitHub ?
Le projet #deep-learning open source le mieux classé sur GitHub est tensorflow/tensorflow, avec 201,665 étoiles. Un framework d'apprentissage automatique open source pour tous
Quels langages de programmation sont les plus utilisés dans les dépôts #deep-learning ?
Parmi les projets #deep-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, JavaScript.
Comment le classement des dépôts #deep-learning est-il calculé ?
Nous suivons 2,273 dépôts open source actifs associés à #deep-learning (500+ étoiles), totalisant 10,372,329 étoiles, avec une moyenne de 4,563 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.