#pytorch Dépôts
1,936 dépôts au total
MACE – Potentiels interatomiques d'apprentissage automatique rapides et précis avec passage de messages équivariants d'ordre supérieur.
Ce dépôt fournit le code et les points de contrôle du modèle pour les projets de recherche AIMv1 et AIMv2.
Code source et jeu de données pour l'article ACL 2019 "ERNIE: Enhanced Language Representation with Informative Entities"
Implémentation de l'Apprentissage Efficace en Communication des Réseaux Profonds à partir de Données Décentralisées
Un package flexible pour l'apprentissage profond multimodal afin de combiner des données tabulaires avec du texte et des images en utilisant des modèles Wide et Deep dans Pytorch
(CVPR 2025) Des modèles de diffusion vidéo lents et bidirectionnels aux modèles rapides et autorégressifs
🛸 Utilisez des transformers pré-entraînés comme BERT, XLNet et GPT-2 dans spaCy
Framework basé sur Pytorch pour la résolution de problèmes d'optimisation contrainte paramétrique, l'identification de systèmes basée sur la physique et le contrôle prédictif par modèle paramétrique.
Dépôt officiel de l'optimisation évolutive des recettes de fusion de modèles
FireRed-Image-Edit est un modèle de base puissant pour l'édition d'images qui atteint des performances de pointe open-source avec un suivi précis des instructions, une génération haute fidélité, une cohérence d'identité supérieure et une fusion multi-éléments fluide.
[CVPR 2025] Hallo3 : Animation d'images de portraits très dynamique et réaliste avec Video Diffusion Transformer
Calculez les exigences en mémoire GPU/token pour tout LLM. Prend en charge la quantification llama.cpp/ggml/bnb/QLoRA
Créez, entraînez, optimisez et exécutez des modèles de vision par ordinateur en local, des images brutes à l’inférence en temps réel. Open source, optimisé pour Intel® XPU (CUDA est également pris en charge).
[CVPR 2025 Highlight] Reconstruction dense de scène en temps réel avec SLAM3R
Implémentation officielle du papier "MonST3R : une approche simple pour estimer la géométrie en présence de mouvement"
[pip install medmnist] 18 jeux de données standardisés pour la classification d'images biomédicales 2D et 3D
Framework modulaire d'apprentissage par renforcement profond en PyTorch. Bibliothèque compagnon du livre "Foundations of Deep Reinforcement Learning".
[ICLR'23 Spotlight🔥] Le premier pré-entraînement réussi de style BERT/MAE sur n'importe quel réseau de convolution ; Impl. Pytorch de "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Implémentations minimalistes et annotées des idées clés de la recherche moderne en apprentissage profond.
PoolFormer : MetaFormer est en fait ce dont vous avez besoin pour la vision (CVPR 2022 Oral)
[CVPR 2021] Restauration progressive d'images multi-étapes. Résultats SOTA pour le débruitage, le désentrainement et le déparasitage d'images.
Une bibliothèque rapide et à chevauchement de communication pour le parallélisme tenseur/expert sur GPU.
Une boîte à outils fondamentale conçue pour la génération de musique, de chansons et d'audio
Framework probabiliste de prévision de séries temporelles basé sur PyTorch et le backend GluonTS
Implémentation appropriée de ResNet-s pour CIFAR10/100 en PyTorch qui correspond à la description du papier original.
Recherche sur l'architecture DeepSeek Engram basée sur Qwen-3 et la série Stable Diffusion.
Logiciel d'apprentissage profond pour décoder les signaux EEG, ECG ou MEG
Construction de robots polyvalents basés sur un modèle fondamental incarné
Détection et reconnaissance faciale par apprentissage profond, implémentée avec PyTorch. (Détection et reconnaissance faciale implémentée avec PyTorch)
Dépôt officiel Pytorch pour la compression extrême des grands modèles de langage via la quantification additive https://arxiv.org/pdf/2401.06118.pdf et PV-Tuning : Au-delà de l'estimation directe pour la compression extrême des LLM https://arxiv.org/abs/2405.14852
NeRFs illimités / à grande échelle, simples et rapides à la pointe de la technologie.
Ce projet utilise une variété de modèles avancés de reconnaissance vocale tels que EcapaTdnn, ResNetSE, ERes2Net, CAM++ etc. Il n'est pas exclu que d'autres modèles soient pris en charge à l'avenir. Dans le même temps, ce projet prend également en charge les méthodes de prétraitement des données MelSpectrogram et Spectrogram.