#deep-learning Dépôts
2,273 dépôts au total
Framework d'entraînement distribué pour TensorFlow, Keras, PyTorch et Apache MXNet.
Scripts d'apprentissage profond de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.
Une série de notebooks Jupyter qui vous guident à travers les bases de l'apprentissage automatique et de l'apprentissage profond en Python à l'aide de Scikit-Learn, Keras et TensorFlow 2.
Une boîte à outils pour créer des applications d'apprentissage automatique et d'analyse de données dans le monde réel en C++
Apprentissage par transfert / Adaptation de domaine / Généralisation de domaine / Apprentissage multi-tâches etc. Articles, codes, ensembles de données, applications, tutoriels. - Apprentissage par transfert
Livre MIT Deep Learning en format PDF (complet et parties) par Ian Goodfellow, Yoshua Bengio et Aaron Courville
Paquet Python conçu pour faciliter l'apprentissage profond sur les graphes, sur des frameworks DL existants.
Plus de 20 LLM performants avec des recettes pour pré-entraîner, affiner et déployer à grande échelle.
Profilage de la qualité des données & analyse exploratoire des données en 1 ligne de code pour les DataFrames Pandas et Spark.
Synthèse d'images haute résolution avec des modèles de diffusion latente
YuE2 : génération musicale de pointe avec planification symbolique, reprises sans exemple préalable et édition musicale agentique.
Code et modèles PyTorch pour la méthode d'apprentissage auto-supervisé DINOv2.
NVIDIA® TensorRT™ est un SDK pour l'inférence en apprentissage profond haute performance sur les GPU NVIDIA. Ce dépôt contient les composants open source de TensorRT.
Code pour loralib, une implémentation de "LoRA: Low-Rank Adaptation of Large Language Models"
Une bibliothèque pour les modèles avancés de séries temporelles profondes pour l'analyse générale des séries temporelles.
Ce dépôt contient les codes de "A Lip Sync Expert Is All You Need for Speech to Lip Generation In the Wild", publié à l'ACM Multimedia 2020. Pour le modèle commercial HD, essayez Sync Labs.
Explicabilité avancée de l'IA pour la vision par ordinateur. Support pour CNN, Vision Transformers, Classification, Détection d'objets, Segmentation, Similarité d'images et plus.
Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
🏄 Incrustation évolutive, raisonnement, classement pour les images et les phrases avec CLIP
Le PyTorch Incroyable : une liste curatée de tutoriels, articles, projets, communautés et plus encore relatifs à PyTorch.
Un modèle Kimi K3 de 2 780 milliards de paramètres effectuant une inférence sur un seul CPU avec 8,24 Go de RAM. C99 portable : sans BLAS, sans framework, sans GPU.
Collection de scripts pour agréger des données d'images dans le but d'entraîner un Classificateur d'Images NSFW
cvpr2024/cvpr2023/cvpr2022/cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017 Articles/Code/Interprétations/Collection de Diffusions en Direct, Organisé par l'Équipe Jimu
Feuille de route d'apprentissage en intelligence artificielle, compilation de près de 200 cas pratiques et projets, manuels complémentaires gratuits, entrée pour débutants absolus, pratique pour l'emploi ! Inclut : Python, mathématiques, apprentissage automatique, analyse de données, apprentissage profond, vision par ordinateur, traitement du langage naturel, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv et autres domaines populaires
Un modèle de langage conversationnel open source enrichi par des outils, développé par l’Université Fudan
Le dépôt fournit le code pour exécuter l'inférence et le réglage fin avec le Meta Segment Anything Model 3 (SAM 3), des liens pour télécharger les points de contrôle du modèle entraîné, et des cahiers d'exemples qui montrent comment utiliser le modèle.
pix2code : Génération de code à partir d'une capture d'écran d'une interface utilisateur graphique
OpenVINO™ est un kit d'outils open source pour optimiser et déployer l'inférence IA.
Framework low-code pour construire des LLMs personnalisés, des réseaux neuronaux et d'autres modèles d'IA
TensorZero est une plateforme open-source LLMOps qui unifie un gateway LLM, l'observabilité, l'évaluation, l'optimisation et l'expérimentation.
Une liste de papiers sur la détection d'objets utilisant l'apprentissage profond.
Implémentation de DALL-E 2, le réseau neuronal mis à jour d'OpenAI pour la synthèse texte-image, dans Pytorch
La plateforme pour les développeurs d'IA. Utilisez Weights & Biases pour entraîner et affiner les modèles, et gérer les modèles de l'expérimentation à la production.
Exemples minimaux et propres d'implémentations d'algorithmes d'apprentissage automatique
Le serveur d'inférence Triton fournit une solution d'inférence optimisée pour le cloud et l'edge.
Kimi K2 est la série de grands modèles linguistiques développés par l'équipe Moonshot AI.