#pytorch Dépôts
1,936 dépôts au total
JARVIS, un système pour connecter les LLM à la communauté ML. Article : https://arxiv.org/pdf/2303.17580.pdf
ncnn est un framework d'inférence de réseaux de neurones haute performance optimisé pour les plateformes mobiles
Un ensemble d'exemples autour de Pytorch dans les domaines de la vision, du texte, de l'apprentissage par renforcement, etc.
Audiocraft est une bibliothèque pour le traitement et la génération audio avec deep learning. Elle comprend le compresseur/tokeniseur audio de pointe EnCodec, ainsi que MusicGen, un LM de génération musicale simple et contrôlable avec conditionnement textuel et mélodique.
Une liste classée d'incroyables bibliothèques Python pour le machine learning. Mise à jour chaque semaine.
ONNX Runtime : accélérateur d'inférence et d'entraînement ML multiplateforme haute performance
🤗 Le plus grand hub de jeux de données prêts à l'emploi pour les modèles d'IA avec des outils de manipulation de données rapides, faciles à utiliser et efficaces
FinGPT: Grands modèles linguistiques open-source pour la finance! Révolutionnez 🔥 Nous publions le modèle entraîné sur HuggingFace.
Le pytorch handbook est un livre open source dont l'objectif est d'aider les amis qui souhaitent et utilisent PyTorch pour le développement et la recherche en deep learning à s'initier rapidement. Tous les tutoriels Pytorch inclus ont été testés et garantissent une exécution réussie.
Kit d'outils de reconnaissance vocale open source pour l'entraînement, l'inférence, la ASR en streaming, la VAD, la ponctuation, les pipelines de diarisation des locuteurs et le service compatible OpenAI/MCP.
Le dépôt fournit le code pour exécuter l'inférence avec le Meta Segment Anything Model 2 (SAM 2), des liens pour télécharger les points de contrôle du modèle entraîné et des exemples de notebooks qui montrent comment utiliser le modèle.
Entraîner des modèles linguistiques Transformer avec l'apprentissage par renforcement.
Un cadre flexible pour expérimenter les optimisations d'inférence/de fine-tuning des LLM hétérogènes
Matériaux pour le cours "Learn PyTorch for Deep Learning: Zero to Mastery".
Bienvenue dans le Cookbook Llama ! Ceci est votre guide de référence pour la création avec Llama : Démarrage avec l'inférence, le fine-tuning et le RAG. Nous vous montrons également comment résoudre des problèmes de bout en bout en utilisant la famille de modèles Llama et en les utilisant sur divers services fournisseurs.
Plateforme IA privée pour agents, assistants et recherche d'entreprise. Agent Builder intégré, recherche approfondie, analyse de documents, prise en charge multi-modèles et connectivité API pour les agents.
[NeurIPS 2022] Vers une restauration robuste des visages à l'aveugle avec le transformers de recherche dans un livre de codes
Une collection de diverses architectures, modèles et astuces d'apprentissage profond
Une liste complète de contenu lié à Pytorch sur GitHub, tels que différents modèles, implémentations, bibliothèques d'assistance, tutoriels, etc.
pix2tex : Utiliser un ViT pour convertir des images d'équations en code LaTeX.
Burn est une bibliothèque de tenseurs de nouvelle génération et un framework de Deep Learning qui ne transige pas sur la flexibilité, l'efficacité et la portabilité.
Code officiel pour "F5-TTS : un conteur qui simule un discours fluide et fidèle avec Flow Matching"
TensorRT LLM fournit aux utilisateurs une API Python facile à utiliser pour définir des grands modèles linguistiques (LLM) et prend en charge des optimisations de pointe pour effectuer des inférences efficacement sur les GPU NVIDIA. TensorRT LLM contient également des composants pour créer des runtimes Python et C++ qui orchestrent l'exécution de l'inférence de manière performante.
Le Scientifique IA : Vers la découverte scientifique ouverte entièrement automatisée 🧑🔬
Apprenez l'ingénierie ML gratuitement en 4 mois ! Inscrivez-vous ici 👇🏼
Une reconstruction théorique de l'architecture du Mythe de Claude, construite à partir de premiers principes en utilisant la littérature de recherche disponible.
Tutoriel sur le Traitement du Langage Naturel pour les Chercheurs en Apprentissage Profond
RWKV (prononcé RwaKuv) est un RNN avec d'excellentes performances LLM, qui peut également être entraîné directement comme un transformer GPT (parallélisable). Nous en sommes à RWKV-7 "Goose". Il combine donc le meilleur des RNN et des transformers - d'excellentes performances, un temps linéaire, un espace constant (pas de cache kv), un entraînement rapide, une ctx_len infinie et une intégration de phrases gratuite.
Framework d'entraînement distribué pour TensorFlow, Keras, PyTorch et Apache MXNet.
Scripts d'apprentissage profond de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.