#neural-network Dépôts
213 dépôts au total
Algorithmes ML implémentés et dérivés des premiers principes dans Jupyter Notebooks et NumPy
Un package Python pour étendre l'officiel PyTorch qui peut facilement obtenir des performances sur la plateforme Intel
Ceci est le code pour Deformable Neural Radiance Fields, également connu sous le nom de Nerfies.
Apprentissage profond en Rust, avec des tenseurs à forme vérifiée et des réseaux neuronaux
Bibliothèque autonome d'apprentissage automatique et de traitement du langage naturel en Go
Implémentation officielle du modèle RAVE : un autoencodeur variationnel audio en temps réel
Paris sportifs NBA utilisant l'apprentissage automatique
PPL Quantization Tool (PPQ) est un puissant outil de quantification hors ligne pour réseaux neuronaux.
Fonctionnalité supplémentaire utile pour TensorFlow 2.x maintenue par SIG-addons
Les actions en deep learning et en machine learning représentent des opportunités prometteuses pour les investisseurs et les traders à long et court terme.
Un framework basé sur PyTorch pour la Simulation Quantique Classique, l'Apprentissage Automatique Quantique, les Réseaux Neuronaux Quantiques, les Circuits Quantiques Paramétrés avec prise en charge de déploiements faciles sur de véritables ordinateurs quantiques.
Une bibliothèque PyTorch et une plateforme d'évaluation pour la recherche sur la compression de bout en bout
Une bibliothèque de streaming de données pour un entraînement efficace des réseaux de neurones
Une bibliothèque PyTorch entièrement dédiée aux équations différentielles neuronales, aux modèles implicites et aux méthodes numériques associées
Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond des séries chronologiques
Un ensemble de notebooks et d'autres fichiers qui peuvent vous aider à apprendre l'IA en partant de zéro.
Diapositives et notebooks Jupyter pour les cours d'apprentissage profond de Master 2 Science des données de l'Institut Polytechnique de Paris
Train to 94% on CIFAR-10 in <6.3 seconds on a single A100. Or ~95.79% in ~110 seconds (or less!)
[ECCV`24&ICLR`25] Série CityGaussian pour la reconstruction de scènes à grande échelle de haute qualité avec des Gaussiennes
Entraînement et inférence distribués pour la perception multimodale : représentations vectorielles partagées pour le texte, les images, la vidéo, l’audio, le code et les graphes, de 64 à 1 024 dimensions 🖼️
Solveurs de Réseaux de Neurones Informés par la Physique (PINN) d'Équations aux (Dérivées) Partielles pour Simulation Accélérée de l'Apprentissage Automatique Scientifique (SciML)
Implémentation Keras de "One pixel attack for fooling deep neural networks" utilisant l'évolution différentielle sur Cifar10 et ImageNet
Un projet de traitement des réseaux neuronaux et de rendu pour obtenir des informations sur l'architecture et les paramètres d'un modèle grâce à une représentation épurée.
Diagrammes pour visualiser l'architecture des réseaux neuronaux
:computer: Apprenez à faire apprendre les machines pour ne pas avoir à lutter pour les programmer ; La liste ultime
Agrandir une image par un facteur de 4, tout en générant des détails photoréalistes.
Implémentation pure PyTorch du papier NVIDIA sur l'entraînement instantané de primitives graphiques neuronales : https://nvlabs.github.io/instant-ngp/
Une méthode en temps réel qui estime la pose humaine 3D directement au format populaire Bio Vision Hierarchy (BVH), étant donné des estimations des articulations corporelles 2D provenant d'images couleur monoculaires. Nos contributions incluent : (a) Une représentation NSRM de pose 2D novatrice et compacte. (b) Un classificateur d'orientation du corps humain et un ensemble d'orientations ajustées
Code pour « HyperNeRF : une représentation de plus haute dimension pour des champs neuronaux de radiance à variation topologique ».