#deep-learning Dépôts
2,273 dépôts au total
Ce dépôt contient le cours d'apprentissage par renforcement profond de Hugging Face.
Une bibliothèque d'augmentation de données pour l'audio, l'image, le texte et la vidéo.
ACE-Step : Une démarche vers un modèle fondamental pour la génération de musique
🌟100+ diagrammes originaux LLM / RL 📚, par l'auteur de "Large Model Algorithms" ! 💥 (Plus de 100 cartes d'algorithmes LLM/RL)
MACE est un framework d'inférence d'apprentissage profond optimisé pour les plateformes de calcul hétérogènes mobiles.
Liste des groupes, chaînes et bots Telegram // Liste des groupes, chaînes et bots Telegram intéressants // Liste des chats pour les programmeurs
Une liste finalement complète de papiers sur Vision Transformer/Attention, incluant papiers, codes et sites Web associés
Ressources, pratique et recherche sur l'apprentissage automatique et l'IA agentique
Torchreid : Identification de personnes par deep learning en PyTorch.
Je suis convaincu que vous, les étudiants diplômés et les chercheurs d'emploi pour qui ce livre est principalement destiné, en bénéficierez ; cependant, j'espère que même les chercheurs les plus expérimentés le trouveront fascinant également.
LightGlue : Correspondance de caractéristiques locales à la vitesse de la lumière (ICCV 2023)
Kit d'Outils de Visualisation en Apprentissage Profond (Outil de visualisation en apprentissage profond „Fly Paddle“ )
Code d'implémentation officiel du papier <AnyText : Génération et édition visuelles multilingues de texte>
Un langage de programmation probabiliste dans TensorFlow. Modèles génératifs profonds, inférence variationnelle.
Bibliothèque de haut niveau pour aider à l'entraînement et à l'évaluation de réseaux de neurones dans PyTorch de manière flexible et transparente.
MegEngine est un framework d'apprentissage profond rapide, évolutif, facile à utiliser et prenant en charge la différenciation automatique.
Fouille de données, Vision par ordinateur, Traitement automatique du langage naturel, Connaissances en compétitions de systèmes de recommandation, Code, Idées
[NeurIPS 2023] Implémentation officielle du papier "Segment Everything Everywhere All at Once"
Pratique sur cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
La pile logicielle de Google DeepMind pour la simulation basée sur la physique et les environnements d'apprentissage par renforcement, utilisant MuJoCo.
Guide d'ingénierie des prompts, d'IA générative et de LLM par Learn Prompting | Rejoignez notre discord pour la plus grande communauté d'apprentissage de l'ingénierie des prompts
Implémentation JAX du modèle Whisper d'OpenAI pour une accélération jusqu'à 70 fois sur TPU.
Un guide pour la construction de systèmes d'apprentissage profond de niveau production pratiques à déployer dans des applications du monde réel.
TNN : développé par Tencent Youtu Lab et Guangying Lab, un framework d'inférence d'apprentissage profond unifié pour mobile, bureau et serveur. TNN se distingue par plusieurs caractéristiques exceptionnelles, notamment sa capacité multiplateforme, ses hautes performances, la compression des modèles et l'élagage du code. Basé sur ncnn et Rapidnet, TNN renforce davantage le support et l'optimisation des performances pour les appareils mobiles, et tire également parti des avantages d'une bonne extensibilité et de hautes performances des efforts open source existants.
Implémentation Plug and Play de "Tree of Thoughts" : Résolution délibérée de problèmes avec de grands modèles linguistiques qui élève le raisonnement du modèle d'au moins 70%
« Grands Modèles Linguistiques » par : Zhao Xin, Li Junyi, Zhou Kun, Tang Tianyi, Wen Jirong
[ICCV 2019] Estimation de profondeur monoculaire à partir d'une seule image
Une bibliothèque pour l'apprentissage automatique scientifique et l'apprentissage informé par la physique
[EMNLP 2022] Un kit d'outils ouvert pour l'extraction et la construction de graphes de connaissances
Transformez facilement de grands ensembles d'URL d'images en un ensemble de données d'images. Peut télécharger, redimensionner et empaqueter 100 millions d'URL en 20 heures sur une seule machine.
Le projet est une implémentation officielle de notre article CVPR2019 «Deep High-Resolution Representation Learning for Human Pose Estimation».