#keras Dépôts
Découvrez 137 dépôts GitHub open source actifs associés à #keras, cumulant 592,081 étoiles au total (soit une moyenne de 4,321 étoiles par projet). Le projet en tête de ce thème est lutzroeder/netron, avec 33,715 étoiles.
137 dépôts au total
Visualiseur pour les modèles de réseaux de neurones, d'apprentissage profond et d'apprentissage automatique
⛔️ OBSOLÈTE – Voir https://github.com/ageron/handson-ml3 ou handson-mlp à la place.
Notebooks Python pour la science des données : Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fondamentaux de Python, AWS et diverses lignes de commande.
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
Mask R-CNN pour la détection d'objets et la segmentation d'instances sur Keras et TensorFlow
ncnn est un framework d'inférence de réseaux de neurones haute performance optimisé pour les plateformes mobiles
Une liste classée d'incroyables bibliothèques Python pour le machine learning. Mise à jour chaque semaine.
Un réseau de neurones qui transforme un mock-up de design en un site web statique.
Framework d'entraînement distribué pour TensorFlow, Keras, PyTorch et Apache MXNet.
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.
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
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.
Système de reconnaissance vocale chinois basé sur l'apprentissage profond
Un framework open source d'apprentissage par renforcement pour former, évaluer et déployer des agents de trading robustes.
Stock AI Trader : plateforme tout-en-un pour apprendre, s’entraîner en simulation et trader en réel. Couvre les bases de la Bourse, les stratégies, les grands modèles de langage, l’extraction de facteurs, l’apprentissage automatique/profond/par renforcement, les réseaux neuronaux de graphes, le trading haute fréquence, le déploiement en C++ et le code JoinQuant.
Configurez et personnalisez l'environnement d'apprentissage profond en quelques secondes.
MMdnn est un ensemble d'outils pour aider les utilisateurs à interopérer entre différents frameworks d'apprentissage profond. Par ex. conversion et visualisation de modèles. Convertir des modèles entre Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, ONNX et CoreML.
T81-558: Keras - Applications de Réseaux de Neurones Profonds @Washington University in St. Louis
Détection de visages en temps réel et classification d'émotions/genre utilisant les ensembles de données fer2013/imdb avec un modèle CNN Keras et OpenCV.
Outils pour concevoir ou visualiser l'architecture d'un réseau de neurones
Modèle Keras pour générer du code HTML à partir de maquettes de sites web dessinées à la main. Implémente une architecture de légendage d'images pour des images source dessinées.
Modèles de segmentation avec des backbones pré-entraînés. Keras et TensorFlow Keras.
Un dépôt pour stocker des modèles qui ont été convertis mutuellement entre divers frameworks. Les frameworks pris en charge sont TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
Dans ce dépôt, je partagerai des notes et références utiles sur le déploiement de modèles basés sur l'apprentissage profond en production.
Une implémentation propre basée sur AlphaZero pour n'importe quel jeu dans n'importe quel framework + tutoriel + Othello/Gobang/TicTacToe/Connect4 et plus
🧠💬 Articles que j'ai écrits sur l'apprentissage automatique, archivés depuis MachineCurve.com.
Plateforme matérielle et logicielle open source pour construire une voiture à conduite autonome à petite échelle.
Liaisons .NET Standard pour TensorFlow de Google pour développer, entraîner et déployer des modèles d'apprentissage automatique en C# et F#.
Répertoire de tutoriels et de dépôts de code open-source pour travailler avec Keras, la bibliothèque d'apprentissage profond Python
Determined est une plateforme open-source d'apprentissage automatique qui simplifie l'entraînement distribué, le réglage des hyperparamètres, le suivi des expériences et la gestion des ressources. Fonctionne avec PyTorch et TensorFlow.
Implémentation de Segnet, FCN, UNet, PSPNet et d'autres modèles dans Keras.
Une boîte à outils Python pour créer des exemples adversariaux qui trompent les réseaux de neurones dans PyTorch, TensorFlow et JAX
Génération de jazz pilotée par l'apprentissage profond en utilisant Keras & Theano !
Réseau neuronal profond pour extraire des informations intelligentes des documents de facture.
Foire aux questions
Quel est le dépôt #keras le plus populaire sur GitHub ?
Le projet #keras open source le mieux classé sur GitHub est lutzroeder/netron, avec 33,715 étoiles. Visualiseur pour les modèles de réseaux de neurones, d'apprentissage profond et d'apprentissage automatique
Quels langages de programmation sont les plus utilisés dans les dépôts #keras ?
Parmi les projets #keras les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, C++.
Comment le classement des dépôts #keras est-il calculé ?
Nous suivons 137 dépôts open source actifs associés à #keras (500+ étoiles), totalisant 592,081 étoiles, avec une moyenne de 4,321 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.