#attention Repository
Scopri 29 repository GitHub open source attivi contrassegnati con #attention, che raccolgono un totale di 203,649 stelle (con una media di 7,022 stelle per progetto). Il progetto leader di questo argomento è labmlai/annotated_deep_learning_paper_implementations, con 67,780 stelle.
29 repository in totale
🧑🏫 60+ Implementazioni/tutorial di pubblicazioni di deep learning con note affiancate 📝; inclusi transformer (original, xl, switch, feedback, vit, ...), ottimizzatori (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillazione, ... 🧠
SGLang è un framework di serving ad alte prestazioni per modelli linguistici di grandi dimensioni e modelli multimodali.
Una ricostruzione teorica dell'architettura del Mythos di Claude, costruita dai primi principi utilizzando la letteratura di ricerca disponibile.
Tutorial sull'Elaborazione del Linguaggio Naturale per Ricercatori di Deep Learning
🍀 Implementazione Pytorch di vari meccanismi di attenzione, MLP, ri-parametrizzazione, convoluzione, che sono utili per comprendere ulteriormente gli articoli scientifici.⭐⭐⭐
Un'implementazione PyTorch del modello Transformer in "Attention is All You Need".
Tutorial sull'implementazione di alcuni modelli sequence-to-sequence (seq2seq) con PyTorch e TorchText.
Questo repository raccoglie principalmente appunti di lettura di articoli presentati a conferenze di alto livello, pertinenti agli ingegneri di algoritmi NLP.
[ICLR2025, ICML2025, NeurIPS2025 Spotlight] L'attenzione Quantizzata (Quantized Attention) raggiunge un aumento di velocità da 2 a 5 volte rispetto a FlashAttention, senza perdere le metriche end-to-end sui modelli di linguaggio, immagine e video.
Questo è un repository Pytorch di YOLOv4, attentive YOLOv4 e mobilenet YOLOv4 con PASCAL VOC e COCO
Implementazione Pytorch di Transfusion, "Prevedi il prossimo token e diffondi immagini con un unico modello multimodale" da MetaAI
[ICML2025] SpargeAttention: Un'attenzione sparsa senza addestramento che accelera l'inferenza di qualsiasi modello.
Replicazione di semplici progetti CV inclusi attention, classificazione, rilevamento, rilevamento keypoints, ecc.
Costruisci il tuo motore di inferenza LLM ad alte prestazioni in C++ e CUDA - una versione più piccola di vLLM
cuDNN Frontend è il moderno punto di accesso open source di NVIDIA alla libreria cuDNN e a una crescente raccolta di kernel open source ad alte prestazioni.
Una libreria PyTorch per tutto sul Reinforcement Learning (RL) per l'ottimizzazione combinatoria (CO)
Implementazione del pattern di attenzione sparsa proposto dal team Deepseek nel loro paper "Native Sparse Attention"
Classificazione di testo multi-etichetta, classificazione multi-etichetta, classificazione di testo, multi-etichetta, classificatore, classificazione di testo, BERT, seq2seq, attention, classificazione multi-etichetta
Implementazione dell'attenzione plug-in e play da "LongNet: Scaling Transformers to 1,000,000,000 Tokens"
EEG Transformer 2.0. i. Trasformatore Convoluzionale per la Decodifica EE. ii. Nuova visualizzazione - Topografia di Attivazione della Classe.
Realizza il passaggio di inferenza di llama3 passo dopo passo, afferra i concetti fondamentali, padroneggia la derivazione del processo, implementa il codice.
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
L'implementazione ufficiale PyTorch del paper "SAITS: Imputazione basata su Self-Attention per Serie Temporali". Un modello di rete neurale deep-learning veloce e all'avanguardia (SOTA) per l'imputazione efficiente delle serie temporali (imputare serie temporali multivariate incomplete contenenti dati/valori mancanti NaN con machine learning). https://arxiv.org/abs/2202.08516
Progetta architetture di modelli compatibili con l’hardware e migra gli LLM esistenti con una perdita minima di prestazioni
Domande frequenti
Qual è il repository #attention più popolare su GitHub?
Il progetto open source #attention più alto in classifica su GitHub è labmlai/annotated_deep_learning_paper_implementations, con 67,780 stelle. 🧑🏫 60+ Implementazioni/tutorial di pubblicazioni di deep learning con note affiancate 📝; inclusi transformer (original, xl, switch, feedback, vit, ...), ottimizzatori (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillazione, ... 🧠
Quali linguaggi di programmazione sono più utilizzati nei repository #attention?
Tra i progetti #attention più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, Cuda, C++.
Come viene calcolata la classifica dei repository #attention?
Monitoriamo 29 repository open source attivi contrassegnati con #attention (500+ stelle), per un totale di 203,649 stelle e una media di 7,022 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.