#deep-neural-networks Dépôts
103 dépôts au total
Collection de notebooks Google Colaboratory pour des expériences rapides et faciles
Une bibliothèque PyTorch et une plateforme d'évaluation pour la recherche sur la compression de bout en bout
🚀 Ressources IA GRATUITES - 🎓 Cours, 👷 Emplois, 📝 Blogs, 🔬 Recherche IA, et bien plus encore - pour tous !
Exemple de Machine Learning TensorFlow pour Android (Construction de TensorFlow pour Android)
Le Medical Detection Toolkit contient des implémentations 2D + 3D de détecteurs d'objets courants tels que Mask R-CNN, Retina Net, Retina U-Net, ainsi qu'un framework d'entraînement et d'inférence axé sur la gestion d'images médicales.
🚀 L'API TensorFlow Object Counting est un framework open source construit sur TensorFlow et Keras qui facilite le développement de systèmes de comptage d'objets !
Une collection de ressources sur les applications des Transformeurs en imagerie médicale.
Cadre sequence-to-sequence avec un accent sur la traduction automatique neuronale basé sur PyTorch
Encodeur automatique variationnel implémenté en tensorflow et pytorch (y compris le flux autorégressif inverse)
Diagrammes pour visualiser l'architecture des réseaux neuronaux
Élagage de Canaux pour Accélérer les Réseaux de Neurones Très Profonds (ICCV'17)
Une bibliothèque adversarial PyTorch pour les méthodes d'attaque et de défense sur les images et les graphes
Répertoire compagnon pour GANs in Action : Apprentissage profond avec des réseaux antagonistes génératifs
[ICML2024 (Oral)] Implémentation officielle PyTorch de DoRA : Adaptation à rang faible décomposée par poids
Implémentation indépendante du framework pour les méthodes de salience de pointe (XRAI, BlurIG, SmoothGrad, et plus).
Un compilateur polyédrique pour exprimer des algorithmes de données parallèles rapides et portables
Apprenez le deep learning avec tensorflow 2.0, keras et python grâce à cette série complète de tutoriels sur le deep learning. Apprenez le deep learning à partir de zéro. Série de deep learning pour débutants. Tutoriels tensorflow, tutoriel tensorflow 2.0. tutoriel deep learning python.
Collection de méthodes récentes sur la compression et l'accélération des réseaux de neurones (profonds).
Ingénierie de la Représentation : Une Approche Descendante pour la Transparence de l'IA
Pile ADAS de niveau 2 gratuite et entièrement open source, propulsée par une technologie d'IA de bout en bout
TinyNeuralNetwork est un framework efficace et facile à utiliser pour la compression de modèles d'apprentissage profond.
Une liste curated de DATASETS, CODEBASES et ARTICLES sur l'apprentissage multi-tâches (MTL), du point de vue de l'apprentissage automatique.
Ce dépôt contient une collection d'enquêtes, d'ensembles de données, d'articles et de codes pour l'estimation de l'incertitude prédictive dans les modèles d'apprentissage profond.
Exemple d'apprentissage automatique Android TensorFlow Lite
Une bibliothèque simple pour créer des réseaux de neurones complexes
Un interprète en langue des signes utilisant un flux vidéo en direct de la caméra.
NeuPy est une bibliothèque Python basée sur Tensorflow pour le prototypage et la construction de réseaux de neurones.
Intel® AI Reference Models : contient des optimisations Intel pour exécuter des charges de travail d'apprentissage profond sur les processeurs Intel® Xeon® Scalable et les GPU Intel® Data Center
Une liste organisée (la plus récente) de ressources pour apprendre avec des étiquettes bruitées
Exemple de prédiction de plusieurs séries temporelles multivariées avec des réseaux de neurones récurrents LSTM en Python avec Keras.
Papiers, code et ensembles de données sur l'apprentissage profond pour la détection d'objets 3D.
Fabric for Deep Learning (FfDL, prononcé fiddle) est une plateforme d'apprentissage profond offrant TensorFlow, Caffe, PyTorch, etc. en tant que service sur Kubernetes.
Prédiction des cours des actions à l'aide d'un réseau neuronal LSTM (longue mémoire à court terme) TensorFlow pour la prévision de séries temporelles
ML-capsule est un projet destiné aux débutants et aux passionnés de science des données expérimentés qui n'ont pas de mentor ou de conseils et qui souhaitent apprendre l'apprentissage automatique (Machine Learning). En utilisant notre dépôt, ils peuvent apprendre le ML, le DL et de nombreuses technologies connexes grâce à différents projets concrets et se préparer aux entretiens.
Une bibliothèque pour les couches de réseaux neuronaux bayésiens et l'estimation de l'incertitude en Deep Learning, étendant le cœur de PyTorch
ProphitBet est une application de prédiction des paris sur le football basée sur l’apprentissage automatique. Elle analyse la forme des équipes, calcule les statistiques des matchs et en prédit les résultats à l’aide de méthodes avancées d’apprentissage automatique (ML). Elle propose également des agents de paris basés sur l’apprentissage par renforcement profond (DRL), capables d’apprendre des stratégies de pari optimales.
Ce dépôt contient le code d'évaluation pour l'article « MMMU : Une référence massive multidisciplinaire multimodale pour la compréhension et le raisonnement destinée à l'expert AGI »
Animation automatique de personnages 3D utilisant des techniques d'estimation de pose et de génération de points de repère
Le Microsoft Scalable Noisy Speech Dataset (MS-SNSD) est un ensemble de données de parole bruitée qui peut s'adapter à des tailles arbitraires en fonction du nombre de locuteurs, des types de bruit et des niveaux de Rapport Signal sur Bruit (SNR) souhaités.
Un grand ensemble de données multimodales sur les voitures avec simulations de dynamique des fluides computationnelle et benchmarks d'apprentissage profond
Pipeline d'augmentation pour le rendu des processus d'impression sur papier synthétique, fax, numérisation et copie
Fichier '笔和线段的一种划分.py', il suffit d'entrer les données high et low des chandeliers K pour réaliser automatiquement la division en traits, segments de ligne, pivot, points d'achat et de vente, et types de tendance. Vous pouvez utiliser sh.csv comme fichier d'entrée. CV voir.pdf. La puissance du temps. Certains disent que le timing est très difficile, d'autres que choisir des actions est facile, d'autres que les installations IT pour l'arbitrage statistique sont très importantes. Et certains disent que le système a des principes non mesurables. Les opinions divergent. Un système distribué, quand votre influence peut être ignorée, vous pouvez seulement alors le réaliser, comme le disait le président Jiang : s'enrichir en silence. La première semaine, le marché a chuté de 1 %, j'ai gagné dix mille, un profit de 5 %. #Actions #Bourse #ThéorieChan https://v.kuaishou.com/bFEl6M Copiez ce message et ouvrez 【Kwai】 pour voir !