#tensorflow Dépôts
454 dépôts au total
GPU-Jupyter : Votre JupyterLab accéléré par GPU avec un riche stack d'outils de data science, TensorFlow et PyTorch pour vos expériences d'apprentissage profond reproductibles.
Articles récents à haute citation/conférences de premier plan sur l'interprétabilité des modèles de réseaux de neurones en apprentissage profond (avec code)
L'implémentation Tensorflow, Keras de U-net, V-net, U-net++, UNET 3+, Attention U-net, R2U-net, ResUnet-a, U^2-Net, TransUNET et Swin-UNET avec des backbones optionnels pré-entraînés sur ImageNet.
Service de serving générique et facile à utiliser pour les modèles d'apprentissage automatique
L'implémentation ANPR / ALPR la plus rapide au monde pour les CPU, GPU, VPU et NPU, basée sur des Transformers (ONNX, TensorFlow Lite, TensorRT, Hailo, OpenVINO, RKNN2...). Prise en charge de plusieurs jeux de caractères (latin, coréen, chinois), systèmes d'exploitation (Jetson, Android, Raspberry Pi, Linux, Windows) et architectures (ARM, x86).
Extensions Dataset, streaming et système de fichiers maintenues par TensorFlow SIG-IO
NeuPy est une bibliothèque Python basée sur Tensorflow pour le prototypage et la construction de réseaux de neurones.
Code pour l'article "Computation Offloading Optimization for UAV-assisted Mobile Edge Computing: A Deep Deterministic Policy Gradient Approach"
Revisiter les modèles pré-entraînés pour le traitement du langage naturel chinois (MacBERT)
Intel® AI Reference Models : contient des optimisations Intel pour exécuter des charges de travail d'apprentissage profond sur les processeurs Intel® Xeon® Scalable et les GPU Intel® Data Center
Inspectez, visualisez et intervenez sur n’importe quelle opération dans n’importe quel réseau neuronal. Capturez chaque activation et chaque gradient, le graphe de calcul complet et plus de 800 champs de métadonnées, sans modifier le code du modèle. Compatible avec PyTorch, JAX, TensorFlow, MLX, PaddlePaddle et tinygrad. Validé sur plus de 6 400 modèles. Conçu pour les chercheurs et leurs agents d’IA.
Résumé du code d'apprentissage JavaScript, fonctionnalités avancées, structures de données, modèles de conception, typescript, vue, angular, react, node, webpack, weex, mini-programmes, tensorflow..., JavaScript est le meilleur langage du monde !
Un framework ML sans dépendances en C avec une API Python moderne pour un contrôle total sur l'exécution et la mémoire.
Une feuille de route complète en ML (Machine Learning) Full Stack implique l'acquisition des compétences et des technologies nécessaires pour maîtriser tous les aspects du machine learning, y compris la collecte et le prétraitement des données, le développement de modèles, le déploiement et la maintenance.
Un modèle d'apprentissage profond rapide pour upscaler des vidéos en basse résolution vers une haute résolution à 30 ips
Deep Learning sur Flink vise à intégrer Flink et des frameworks d'apprentissage profond (par exemple, TensorFlow, PyTorch, etc.) pour permettre l'entraînement et l'inférence d'apprentissage profond distribués sur un cluster Flink.
Reconnaissance vocale hors ligne avec OpenAI Whisper et TensorFlow Lite pour Android
Une collection d'algorithmes à la pointe de la technologie pour l'entraînement, le déploiement et l'interprétation des modèles Decision Forest dans Keras.
Fabric for Deep Learning (FfDL, prononcé fiddle) est une plateforme d'apprentissage profond offrant TensorFlow, Caffe, PyTorch, etc. en tant que service sur Kubernetes.
[JMLR 2023] Quantus est une boîte à outils d'IA explicable pour l'évaluation responsable des explications de réseaux de neurones
Une bibliothèque pour entraîner, évaluer, interpréter et mettre en production des modèles de forêts de décision tels que Random Forest et Gradient Boosted Decision Trees.
Assistance à l'installation des frameworks d'apprentissage profond pour le système ArcGIS
Du grand au petit : Guidage planaire local multi-échelle pour l'estimation de profondeur monoculaire
Générateurs de données synthétiques pour textes structurés et non structurés, avec apprentissage différentiellement privé.
Ce dépôt contient des tutoriels sur la façon d'utiliser les API d'estimateur TensorFlow pour effectuer diverses tâches ML de manière systématique et standardisée.
Tous mes modèles d'upscaling IA auto-entraînés et publiés. Après avoir rassemblé et appliqué plus de 600 modèles d'upscaling différents, j'ai appris à entraîner mes propres modèles, et voici les résultats.
Visualkeras est un package Python qui aide à visualiser les architectures de réseaux neuronaux Keras (autonomes ou inclus dans TensorFlow). Il permet un style facile pour s'adapter à la plupart des besoins. Ce module prend en charge la génération d'architectures de style en couches, ce qui est idéal pour les CNN (Réseaux Neuronaux Convolutifs), et une architecture de style graphique, qui fonctionne très bien pour la plupart des modèles, y compris les réseaux feed-forward simples.
Implémentation d'algorithmes d'Inverse Reinforcement Learning (IRL) en Python/TensorFlow. Deep MaxEnt, MaxEnt, LPIRL
🚀 Vitesse 200x ! Le super outil de téléchargement à l'ère de l'IA | Accélération complète pour Docker/PyPI/HuggingFace/CRAN | Fragmentation parallèle + mise en cache intelligente, laissez les téléchargements décoller.
Utilitaires et helpers supplémentaires pour étendre TensorFlow lors de la construction de systèmes de recommandation, contribués et maintenus par SIG Recommenders.
Keras beit,caformer,CMT,CoAtNet,convnext,davit,dino,efficientdet,edgenext,efficientformer,efficientnet,eva,fasternet,fastervit,fastvit,flexivit,gcvit,ghostnet,gpvit,hornet,hiera,iformer,inceptionnext,lcnet,levit,maxvit,mobilevit,moganet,nat,nfnets,pvt,swin,tinynet,tinyvit,uniformer,volo,vanillanet,yolor,yolov7,yolov8,yolox,gpt2,llama2, alias kecam