#transformer Dépôts
Découvrez 208 dépôts GitHub open source actifs associés à #transformer, cumulant 1,197,728 étoiles au total (soit une moyenne de 5,758 étoiles par projet). Le projet en tête de ce thème est huggingface/transformers, avec 169,339 étoiles.
208 dépôts au total
🤗 Transformers : le framework de définition de modèles pour les modèles d'apprentissage automatique de pointe en texte, vision, audio et modèles multimodaux, à la fois pour l'inférence et l'entraînement.
Un moteur d'inférence et de service pour LLM à haut débit et efficace en mémoire
🧑🏫 60+ implémentations/tutoriels d'articles de deep learning avec des notes côte à côte 📝; y compris les transformers (original, xl, switch, feedback, vit, ...), les optimiseurs (adam, adabelief, sophia, ...), les gans (cyclegan, stylegan2, ...), 🎮 l'apprentissage par renforcement (ppo, dqn), les capsnet, la distillation, ... 🧠
Modification de modèles de langage sans entraînement : supprimer la censure, limiter les contenus de mauvaise qualité et la complaisance, et bien plus encore
SGLang est un framework de service haute performance pour les grands modèles linguistiques et les modèles multimodaux.
Une liste classée d'incroyables bibliothèques Python pour le machine learning. Mise à jour chaque semaine.
《Réseaux neuronaux et apprentissage profond》 de Qiu Xipeng, deuxième édition et édition de culture générale : livre électronique, sommaire des chapitres, ressources d’apprentissage et errata.
FreeToken apporte le déploiement de modèles à l'échelle des centres de données sur votre bureau. Exécutez des modèles massifs localement, rapidement et efficacement.
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
MNN : Un moteur d'inférence ultra-rapide et léger, éprouvé en conditions réelles par Alibaba, alimentant des LLMs et une IA de bord haute performance sur appareil.
pix2tex : Utiliser un ViT pour convertir des images d'équations en code LaTeX.
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.
Un cadre d'évaluation à peu de tirs pour les modèles de langage.
Un client HTTP puissant pour Dart et Flutter, qui prend en charge les paramètres globaux, les Interceptors, FormData, l'annulation et l'interruption d'une requête, le téléchargement et le téléversement de fichiers, les délais d'attente des requêtes, les adaptateurs personnalisés, etc.
Kit d'outils vocal facile à utiliser incluant un modèle d'apprentissage auto-supervisé, ASR SOTA/Streaming avec ponctuation, TTS Streaming avec frontend texte, système de vérification du locuteur, traduction vocale de bout en bout et détection de mots-clés. Lauréat du Best Demo Award NAACL2022.
Un modèle Kimi K3 de 2 780 milliards de paramètres effectuant une inférence sur un seul CPU avec 8,24 Go de RAM. C99 portable : sans BLAS, sans framework, sans GPU.
Inférence de génération de texte de grands modèles linguistiques
Traduire des mangas/images : traduisez en un clic le texte de toutes sortes d’images https://cotrans.touhou.ai/ https://greasyfork.org/en/scripts/437569-cotrans-manga-image-translator-regular-edition
Exécutez des LLM à la maison, style BitTorrent. Fine-tuning et inférence jusqu'à 10 fois plus rapides que l'offloading.
Bibliothèque de segmentation d'images facile à utiliser avec un zoo de modèles pré-entraînés impressionnant, supportant une large gamme de tâches pratiques en Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.
Une boîte à outils extensible pour le réglage fin et l'inférence de grands modèles fondamentaux. De grands modèles pour tous.
Un cadre pour l'inférence de modèle efficace avec des modèles d'omni-modalité
Version chinoise du code d'entraînement de GPT2, utilisant le tokenizer BERT.
🔍 Un Framework Multi-Agent Basé sur LLM pour Moteur de Recherche Web (comme Perplexity.ai Pro et SearchGPT)
Une couche de décision ouverte et programmable pour les modèles et le calcul.
Quantification sur 2 bits, noyaux et environnement d’exécution pour les appareils grand public.
Série temporelle Timeseries Deep Learning Machine Learning Python Pytorch fastai | Bibliothèque Deep Learning de pointe pour les séries temporelles et les séquences en Pytorch / fastai
Tutoriels sur l'implémentation de quelques modèles sequence-to-sequence (seq2seq) avec PyTorch et TorchText.
【Trois ans d’entretiens, cinq ans d’examens blancs】Plateforme de ressources pour les entretiens des ingénieurs en algorithmes AIGC/LLM/AI Agent. Elle couvre des connaissances pratiques et des expériences clés pour les entretiens et les épreuves écrites, ainsi que des connaissances fondamentales durables dans l’industrie de l’IA, notamment l’AIGC, les grands modèles de langage (LLM), les agents d’IA, l’intelligence incarnée, l’apprentissage profond traditionnel, la vision par ordinateur, le traitement du langage naturel, la conduite autonome, l’apprentissage automatique, l’apprentissage par renforcement, l’exploration de mégadonnées, les modèles du monde, le métavers, l’AGI, et bien plus encore.
SwinIR : Restauration d'images utilisant le Transformer Swin (dépôt officiel)
Production d'abord et boîte à outils de reconnaissance vocale de bout en bout prête pour la production
Une liste finalement complète de papiers sur Vision Transformer/Attention, incluant papiers, codes et sites Web associés
Mémoire conditionnelle via recherche évolutive : Un nouvel axe de sparsité pour les grands modèles de langage
La bible ultime pour débuter en IA, sans obscurité ni élitisme, accessible à tous, des étudiants aux ingénieurs. Elle couvre tout, des réseaux de neurones aux grands modèles, de la conception de haut niveau aux principes microscopiques, de l'implémentation technique aux bases algorithmiques. Après l'avoir lu, vous comprendrez parfaitement pourquoi la prédiction du prochain jeton, une capacité apparemment banale, peut changer le monde, et vous découvrirez que l'IA n'est pas aussi mystérieuse ou inaccessible que vous le pensiez. Let's just beat it !
Backbones IA efficaces incluant GhostNet, TNT et MLP, développés par Huawei Noah's Ark Lab.
Foire aux questions
Quel est le dépôt #transformer le plus populaire sur GitHub ?
Le projet #transformer open source le mieux classé sur GitHub est huggingface/transformers, avec 169,339 étoiles. 🤗 Transformers : le framework de définition de modèles pour les modèles d'apprentissage automatique de pointe en texte, vision, audio et modèles multimodaux, à la fois pour l'inférence et l'entraînement.
Quels langages de programmation sont les plus utilisés dans les dépôts #transformer ?
Parmi les projets #transformer les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Jupyter Notebook, JavaScript.
Comment le classement des dépôts #transformer est-il calculé ?
Nous suivons 208 dépôts open source actifs associés à #transformer (500+ étoiles), totalisant 1,197,728 étoiles, avec une moyenne de 5,758 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.