#deep-learning Repository
2,273 repository in totale
Un Framework PyTorch per Modelli di Raccomandazione, Facile da usare e Facile da estendere.
[PKU EPIC Lab] Guida introduttiva all'IA incarnata per principianti
[CVPR 2024 Oral, Best Paper Runner-Up] Codice per "pixelSplat: 3D Gaussian Splats da coppie di immagini per una ricostruzione 3D scalabile e generalizzabile" di David Charatan, Sizhe Lester Li, Andrea Tagliasacchi e Vincent Sitzmann
Risorse per aiutarti a prepararti per i tuoi imminenti colloqui di data science
Implementazione ufficiale di "OpenPifPaf: Composite Fields for Semantic Keypoint Detection and Spatio-Temporal Association" in PyTorch.
[CVPR 2026] ๐ฅ๐ฅ Repository ufficiale di USO: Generazione unificata di stile e guidata da soggetto tramite Apprendimento Disentangled e Apprendimento per Ricompensa
[NeurIPS 2023] Codice Ufficiale per "SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation"
Implementazione in Keras di "One pixel attack for fooling deep neural networks" utilizzando l'evoluzione differenziale su Cifar10 e ImageNet
Soglia Dinamica (Correzione Scala CFG) per Stable Diffusion (SwarmUI, ComfyUI e Auto WebUI)
Tutorial LangChain e Prompt Engineering su Large Language Models (LLM) come ChatGPT con dati personalizzati. Jupyter notebook su caricamento e indicizzazione dei dati, creazione di prompt template, agenti CSV e utilizzo di catene retrieval QA per interrogare dati personalizzati. Progetti per l'utilizzo di un LLM privato (Llama 2) per chat con file PDF, analisi del sentiment dei tweet.
Implementazione di Perceiver, Percezione Generale con Attenzione Iterativa, in Pytorch
Framework di compressione della rete neurale per un'inferenza OpenVINOโข avanzata
TorchXRayVision: Una libreria di set di dati e modelli di radiografie del torace. Classificatori, segmentazione e autoencoder.
Framework sequence-to-sequence con focus sulla Traduzione Automatica Neurale basato su PyTorch
Un modulo Python per ottenere lo stato della GPU da GPU NVIDIA utilizzando nvidia-smi in modo programmatico in Python
Trova automaticamente problemi nei set di dati di immagini e pratica la visione artificiale data-centric.
Note di lettura su modelli linguistici di grandi dimensioni multimodali, modelli linguistici di grandi dimensioni e modelli di diffusione
:smiley_cat: Template app classificatore di immagini carino e semplice. Distribuisci il tuo modello addestrato o modello pre-addestrato (VGG, ResNet, Densenet) in un'app web usando Flask in 10 minuti.
Video, note ed esperimenti per comprendere il deep learning
Tracciamento multiplo di oggetti ad alte prestazioni basato su YOLO, Deep SORT e KLT ๐
Un hub completo e strutturato per apprendere l'Intelligenza Artificiale โ che copre IA, Machine Learning, Deep Learning e Data Science con libri, roadmap e risorse curate dal principiante all'avanzato.
:basketball::robot::basketball: App web e API AI per analizzare tiri di pallacanestro e pose di tiro.
Un metodo semplice per eseguire l'apprendimento semi-supervisionato con dati limitati.
Un estrattore di rappresentazioni di parsing umano pronto all'uso.
Risorse per il recupero di fase (chiamato anche imaging di fase, recupero di fase o ricostruzione di fase)
Un framework flessibile ed estensibile per il riconoscimento dell'andatura. Con l'aiuto di OpenGait puoi concentrarti sulla progettazione dei tuoi modelli e confrontarti facilmente con lo stato dell'arte.
DeepRec รจ un framework di deep learning per raccomandazioni ad alte prestazioni basato su TensorFlow. ร ospitato in incubazione nella LF AI & Data Foundation.
Autoencoder variazionale implementato in tensorflow e pytorch (incluso flusso autoregressivo inverso)
Aumento rapido dei dati audio in PyTorch. Ispirato da audiomentations. Utile per il deep learning.
Stima Profonda della Posizione dell'oggetto (DOPE) โ Inferenza ROS (CoRL 2018)
Modelli Fondazionali Multimodali di Frontiera per la Comprensione di Immagini e Video
[ICLR24] Implementazione ufficiale del paper โMagicDrive: Generazione di viste stradali con controllo diversificato della geometria 3Dโ
Un tutorial di autoapprendimento per la programmazione ad alte prestazioni CUDA.