#deep-learning-research Dépôts
Découvrez 41 dépôts GitHub open source actifs associés à #deep-learning-research, cumulant 80,664 étoiles au total (soit une moyenne de 1,967 étoiles par projet). Le projet en tête de ce thème est NVlabs/stylegan2, avec 11,174 étoiles.
41 dépôts au total
Emote Portrait Alive: Génération de vidéos de portraits expressifs avec le modèle de diffusion Audio2Video dans des conditions faibles
Une liste d'articles sur les réseaux génératifs contradictoires (neuronaux)
SC-FEGAN : Réseau Génératif Antagoniste pour l'Édition de Visage avec Esquisse et Couleur de l'Utilisateur (ICCV2019)
Implémentation simple et minimale de Mamba SSM dans un seul fichier PyTorch.
Résumé des articles liés à l'attention visuelle. Le code associé sera progressivement publié sur Jittor.
Implémente la suppression des rejets nocifs/inoffensifs à l'aide de transformeurs HF purs
Une implémentation officielle de PatchTST : "A Time Series is Worth 64 Words: Long-term Forecasting with Transformers." (ICLR 2023) https://arxiv.org/abs/2211.14730
VideoLLaMA 2 : Avancées dans la modélisation spatio-temporelle et la compréhension audio dans les Video-LLM
Une collection d'articles sur les modèles de diffusion pour la génération 3D.
Implémentation officielle PyTorch de "SiT : Exploration des modèles génératifs basés sur le flux et la diffusion avec des transformeurs interpolants évolutifs"
On raconte qu'Ilya Sutskever a donné à John Carmack cette liste de lecture d'environ 30 articles de recherche sur l'apprentissage profond.
[ICLR 2025 Présentation Orale] Diffusion par Blocs : Interpolation entre les modèles de langage autorégressifs et de diffusion
Nous introduisons une nouvelle approche pour la génération de paramètres, nommée diffusion de paramètres de réseaux neuronaux (p-diff), qui emploie un modèle de diffusion latente standard pour synthétiser un nouvel ensemble de paramètres.
[CVPR 2025] La première enquête sur le raisonnement CoT (RL, TTS, Réflexion) dans la génération d'images
Une collection organisée d'articles, tutoriels, vidéos et autres ressources précieuses liées à Mamba.
[NeurIPS'25] Base de code officielle pour "SWE-RL : Amélioration du raisonnement LLM grâce à l'apprentissage par renforcement sur l'évolution du logiciel open source"
Une collection organisée d'articles de recherche explorant l'utilisation des LLM pour des tâches liées aux graphes.
Une liste de lecture organisée de recherches sur les Mixture-of-Experts (MoE).
[CVPR 2022] MHFormer : Transformateur à Hypothèses Multiples pour l'Estimation de la Pose Humaine 3D
suivi des articles, des ensembles de données et des modèles de « grands modèles de langage (LLM) pour les séries temporelles »
Foire aux questions
Quel est le dépôt #deep-learning-research le plus populaire sur GitHub ?
Le projet #deep-learning-research open source le mieux classé sur GitHub est NVlabs/stylegan2, avec 11,174 étoiles. StyleGAN2 - Implémentation officielle TensorFlow
Quels langages de programmation sont les plus utilisés dans les dépôts #deep-learning-research ?
Parmi les projets #deep-learning-research les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook.
Comment le classement des dépôts #deep-learning-research est-il calculé ?
Nous suivons 41 dépôts open source actifs associés à #deep-learning-research (500+ étoiles), totalisant 80,664 étoiles, avec une moyenne de 1,967 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.