#transformer Dépôts
208 dépôts au total
Collectez des articles sur le transformeur avec vision. Impressionnant transformeur avec vision par ordinateur (CV)
Cours d'initiation à l'apprentissage profond, cours avancés, cours spéciaux, cas académiques, cas de pratique industrielle, encyclopédie des connaissances en apprentissage profond et banque de questions d'entretien Le cours, le cas et les connaissances de Deep Learning et IA
Towhee est un framework dédié à rendre les pipelines de traitement de données neuronales simples et rapides.
Usine à facteurs automatisée open source basée sur l'apprentissage par renforcement profond.
Ce dépôt contient une liste de lecture d'articles sur la prévision/prédiction de séries temporelles (TSF) et la prévision/prédiction spatio-temporelle (STF). Ces articles sont principalement classés par type de modèle.
Pipelines NLP natifs Rust prêts à l'emploi et modèles basés sur des transformers (BERT, DistilBERT, GPT2, ...)
[AutoArk] GPA (General Purpose Audio) peut effectuer de l'ASR, du TTS et de la conversion vocale avec un seul modèle minuscule !
nous voulons créer un dépôt pour illustrer l'utilisation des transformeurs en chinois
Couvre les données de préentraînement, les tokeniseurs, les Transformers, le MoE, l’entraînement distribué, les lois de mise à l’échelle, l’inférence et l’alignement. 6 exercices de programmation progressifs pour apprendre les LLM de bout en bout.
Compteur de FLOPs pour les réseaux de neurones dans le framework PyTorch
🔥🔥🔥 Axé sur les modèles améliorés YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5, Support pour l'amélioration du backbone, du neck, de la tête, de la perte, de l'IoU, du NMS et d'autres modules🚀
Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.
Une plateforme d'apprentissage en boucle fermée pour la vision par ordinateur où le code peut être exécuté interactivement en ligne. Apprentissage en boucle fermée "Vision par ordinateur en action : algorithmes et applications" livre électronique chinois, code source, communauté d'échange pour les lecteurs (mise à jour continue ...) 📘 E-book en ligne https://charmve.github.io/computer-vision-in-action/ 👇Page d'accueil du projet
Articles de recherche et blogs pour la transition vers l'ingénierie IA
[CVPR 2022--Oral] Restormer : Transformer efficace pour la restauration d'images haute résolution. SOTA pour le débruitage de mouvement, le désensitization d'images, le débruitage (données gaussiennes/réelles) et le débruitage de défocalisation.
Les grands modèles linguistiques (LLM) simplifiés, EasyLM est une solution tout-en-un pour le pré-entraînement, le réglage fin, l'évaluation et le service des LLM en JAX/Flax.
Graphormer est un backbone d'apprentissage profond polyvalent pour la modélisation moléculaire.
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
🍅🍅🍅YOLOv5-Lite : Évolué de yolov5 et la taille du modèle n'est que de 900+ Ko (int8) et 1,7 Mo (fp16). Atteint 15 FPS sur le Raspberry Pi 4B~
Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).
Lumina-T2X est un framework unifié pour la génération de texte vers n'importe quelle modalité
[CVPR 2025 Highlight] Video Depth Anything : Estimation de profondeur cohérente pour des vidéos super longues
📰 Articles et blogs incontournables sur la modélisation de contexte long basée sur les LLM 🔥
Implémentation officielle pour "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
Modèles ASR open-source de qualité industrielle prenant en charge le mandarin, les dialectes chinois et l'anglais, atteignant un nouveau SOTA sur les benchmarks publics ASR en mandarin, tout en offrant une capacité exceptionnelle de reconnaissance des paroles chantées.
L’édition open source de QuantMind (Cerveau quantitatif) est une plateforme de trading quantitatif multi-marchés, native de l’IA, destinée aux développeurs individuels et aux équipes de recherche et d’investissement. Elle intègre étroitement Microsoft Qlib, l’évolution des facteurs de RD-Agent et l’espace de travail tout-en-un QuantBot, offrant une boucle complète allant de l’extraction de plus de 300 dimensions de facteurs, d’une fabrique de modèles comprenant 13 modèles d’apprentissage automatique et profond, du backtesting haute performance de Qlib, de l’inférence transversale par lots et de l’analyse en temps réel du sentiment de l’opinion publique 24 h/24 et 7 j/7, jusqu’à l’intégration avancée avec TongdaXin (notifications sectorielles, radar d’alertes et passage d’ordres éclair) ainsi qu’au trading réel et simulé. La plateforme prend en charge les actions A, les actions de Hong Kong, les actions américaines, les contrats à terme et la blockchain. Elle est utilisable gratuitement à des fins commerciales et peut être déployée en privé en un clic avec Docker Compose. Les données et les modèles sont entièrement conservés en local afin de protéger la confidentialité des stratégies, et toutes les fonctionnalités sont accessibles sans prérequis ni restrictions.
Intégrer des modèles d'apprentissage profond pour la classification d'images | Projet d'apprentissage/comparaison/modification magique de l'épine dorsale
Une liste organisée d'articles et de ressources sur la détection de fraude, d'anomalies et de valeurs aberrantes basée sur les graphes/transformateurs
Un cadre de déploiement d'IA simple à utiliser et haute performance | An Easy-to-Use and High-Performance AI Deployment Framework
Classification de texte long en chinois, classification de phrases courtes, classification multi-étiquettes, similarité de deux phrases (Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short), couche d'intégration vectorielle pour caractères/mots/phrases (embeddings) et couche de réseau (graph) classe de base de construction, FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, Réseau de Capsules-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN
[ICML 2024] LLMCompiler : Un compilateur LLM pour les appels de fonctions parallèles
Importez des fichiers SVG dans votre projet React Native de la même manière que vous le feriez dans une application web.
[CVPR 2023] OneFormer : Un Transformeur pour régner sur la segmentation universelle d'images
Modèles de réseaux neuronaux pré-entraînés dans Axon (+ intégration 🤗 Models)
Un framework sans code basé sur PyTorch pour mener des études d’apprentissage profond reproductibles. Écosystème PyTorch. 🏆 À ce jour, 28 méthodes de distillation des connaissances présentées à TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, etc. ont été implémentées. 🎁 Des modèles entraînés, des journaux d’entraînement et des configurations sont disponibles pour garantir la reproductibilité et faciliter l’évaluation comparative.
RLHF Sûr : Alignement des Valeurs Contraints par l'Apprentissage par Renforcement Sûr à partir des Retours Humains
PaddleSlim est une bibliothèque open-source pour la compression de modèles profonds et la recherche d'architecture.
Une base de code unifiée pour l’apprentissage semi-supervisé (NeurIPS'22)
Modèle minuscule, grande logique : L'optimisation axée sur la diversité suscite la capacité de raisonnement des grands modèles chez VibeThinker-1.5B
Kernl vous permet d'exécuter des modèles transformer PyTorch plusieurs fois plus rapidement sur GPU avec une seule ligne de code, et est conçu pour être facilement personnalisable.