#pytorch Dépôts
1,936 dépôts au total
Dépôt pour le programme Nanodegree en apprentissage par renforcement profond
Modèles pré-entraînés PyTorch pour la détection de visages (MTCNN) et la reconnaissance faciale (InceptionResnet)
Code pour le livre Deep Learning with PyTorch de Eli Stevens, Luca Antiga et Thomas Viehmann.
cube studio Plateforme IA Open-Source Cloud Native Tout-en-un pour Machine Learning/Deep Learning/Grands Modèles, Flux complet du pipeline d'algorithmes MLOps, Plateforme de location de puissance de calcul, Développement en ligne Notebook, Orchestration de pipeline de flux de tâches par glisser-déposer, Entraînement distribué multi-machines multi-GPU, Recherche d'hyperparamètres, Virtualisation VGPU du service d'inférence, Edge Computing, Annotation automatisée de la plateforme d'annotation, Ajustement fin SFT de grands modèles/Modèle de récompense/Entraînement par apprentissage par renforcement de Deepseek, Inférence multi-machines de grands modèles tels que vLLM/Ollama/MindSpore, Base de connaissances privée, Marché de modèles IA, Support pour l'écosystème CPU/GPU/NPU Ascend domestiques, Support RDMA, Support pour les frameworks distribués tels que PyTorch/TF/MXNet/DeepSpeed/Paddle/ColossalAI/Horovod/Ray/Volcano
Implémentation PyTorch pour la Segmentation Sémantique/Analyse de Scène sur le dataset MIT ADE20K
Ressources, pratique et recherche sur l'apprentissage automatique et l'IA agentique
Torchreid : Identification de personnes par deep learning en PyTorch.
🚀 Un curriculum open-source et pratique comblant l'écart des concepts RL de base à l'alignement LLM, RLVR et systèmes Agentic avancés.
Code et modèles PyTorch pour l'apprentissage autorégressif VJEPA2 à partir de vidéos.
Conteneurs d'apprentissage automatique pour NVIDIA Jetson et JetPack-L4T
Je suis convaincu que vous, les étudiants diplômés et les chercheurs d'emploi pour qui ce livre est principalement destiné, en bénéficierez ; cependant, j'espère que même les chercheurs les plus expérimentés le trouveront fascinant également.
Une bibliothèque PyTorch pour l'implémentation d'algorithmes de flow matching, avec des implémentations continues et discrètes de flow matching. Elle comprend des exemples pratiques pour les modalités textuelles et d'image.
Mémoire conditionnelle via recherche évolutive : Un nouvel axe de sparsité pour les grands modèles de langage
Bibliothèque de haut niveau pour aider à l'entraînement et à l'évaluation de réseaux de neurones dans PyTorch de manière flexible et transparente.
🔥 LeetCode pour PyTorch — pratiquez l'implémentation de softmax, attention, GPT-2 et plus encore à partir de zéro avec une auto-correction instantanée. Basé sur Jupyter, auto-hébergé ou essayez en ligne.
[NeurIPS 2023] Implémentation officielle du papier "Segment Everything Everywhere All at Once"
Meta Lingua : une base de code légère, efficace et facile à cracker pour la recherche sur les LLM.
Un dépôt pour l'entraînement distribué de modèles de langage avec Reinforcement Learning via Human Feedback (RLHF)
Pratique sur cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
Un système de synthèse vocale open source construit en inversant Whisper.
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.
Que vous soyez un débutant complet, une application de projet en CV, NLP, LLM, ou un déploiement et une mise en œuvre d'ingénierie avancée, vous trouverez tout dans « Tutoriel pratique PyTorch » (2e édition). Nous pensons qu'avec l'aide de ce livre, les lecteurs pourront maîtriser facilement l'utilisation de PyTorch et devenir d'excellents ingénieurs en apprentissage profond.
PointNet et PointNet++ implémentés avec PyTorch (Python pur) et sur ModelNet, ShapeNet et S3DIS.
TNN : développé par Tencent Youtu Lab et Guangying Lab, un framework d'inférence d'apprentissage profond unifié pour mobile, bureau et serveur. TNN se distingue par plusieurs caractéristiques exceptionnelles, notamment sa capacité multiplateforme, ses hautes performances, la compression des modèles et l'élagage du code. Basé sur ncnn et Rapidnet, TNN renforce davantage le support et l'optimisation des performances pour les appareils mobiles, et tire également parti des avantages d'une bonne extensibilité et de hautes performances des efforts open source existants.
Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference
Tutoriels pour débuter avec PyTorch et TorchText pour l'analyse de sentiments.
Tengine est un moteur d'inférence léger, haute performance et modulaire pour les appareils embarqués.
[ICCV 2019] Estimation de profondeur monoculaire à partir d'une seule image
Une bibliothèque pour l'apprentissage automatique scientifique et l'apprentissage informé par la physique
Boîte à outils d'évaluation open-source pour les grands modèles multimodaux (LMM), prend en charge plus de 220 LMM et plus de 80 benchmarks
[EMNLP 2022] Un kit d'outils ouvert pour l'extraction et la construction de graphes de connaissances
Fondements de l'apprentissage automatique : Algèbre linéaire, Calcul, Statistiques et informatique