#lstm Repository
Scopri 36 repository GitHub open source attivi contrassegnati con #lstm, che raccolgono un totale di 246,923 stelle (con una media di 6,858 stelle per progetto). Il progetto leader di questo argomento è tesseract-ocr/tesseract, con 77,607 stelle.
36 repository in totale
AiLearning: Analisi Dati + Machine Learning Pratico + Algebra Lineare + PyTorch + NLTK + TF2
OCR pronto all'uso con oltre 80 lingue supportate e tutti gli script di scrittura più diffusi, tra cui Latino, Cinese, Arabico, Devanagari, Cirillico, ecc.
Una rete neurale che trasforma un mock-up di design in un sito web statico.
RWKV (pronunciato RwaKuv) è un RNN con ottime prestazioni LLM, che può anche essere addestrato direttamente come un transformer GPT (parallelizzabile). Siamo a RWKV-7 "Goose". Quindi combina il meglio di RNN e transformer - ottime prestazioni, tempo lineare, spazio costante (nessuna cache kv), addestramento veloce, ctx_len infinito e embedding di frasi gratuito.
Tutorial sull'implementazione di alcuni modelli sequence-to-sequence (seq2seq) con PyTorch e TorchText.
In questo notebook creerò un processo completo per prevedere i movimenti dei prezzi delle azioni. Segui e otterremo alcuni risultati piuttosto buoni. Per questo scopo useremo una Rete Avversaria Generativa (GAN) con LSTM, un tipo di Rete Neurale Ricorrente, come generatore, e una Rete Neurale Convoluzionale, CNN, come discriminatore. Usiamo LSTM per il motivo ovvio che stiamo cercando di prevedere dati di serie temporali. Perché usiamo GAN e specificamente CNN come discriminatore? È una buona q
Tutorial per iniziare con PyTorch e TorchText per l'analisi del sentiment.
Robot automatico per la creazione di poesie classiche cinesi, x volte esplosivo, basato sull'API TensorFlow 1.10, in fase di manutenzione e aggiornamento attivo, metti subito una stella, rimani aggiornato!
Elenco di articoli, codice e esperimenti che utilizzano deep learning per la previsione di serie temporali
Tutorial Jupyter Notebook per risolvere problemi del mondo reale con Machine Learning & Deep Learning usando PyTorch. Argomenti: Rilevamento facciale con Detectron 2, Rilevamento anomalie nelle serie temporali con LSTM Autoencoders, Rilevamento oggetti con YOLO v5, Costruisci la tua prima Neural Network, Previsione serie temporali per i casi giornalieri di Coronavirus, Analisi del sentimento con BER
Libreria PyTorch di deep learning per previsione di serie temporali, classificazione e rilevamento di anomalie (originariamente per previsione di alluvioni).
Lista approssimativa delle mie risorse preferite di deep learning, utile per rivedere argomenti o per riferimento. Ho esaminato attentamente tutto il contenuto elencato lì. - Guillaume Chevalier
Questo repo contiene implementazioni di diverse architetture per il riconoscimento delle emozioni nelle conversazioni.
:art: Versione migliorata del riconoscimento di formule matematiche: Formule manoscritte e stampate in cinese e inglese, supporta derivazione base di simboli (struttura dati basata su albero sintattico astratto LaTeX) Math Formula OCR Pro, supporta scrittura a mano, formule miste cino-inglesi e ragionamento semplice sui simboli (basato su LaTeX AST).
Un framework per l'uso di LSTMs per rilevare anomalie nei dati di serie temporali multivariabili. Include dati di anomalie di veicoli spaziali e esperimenti dalle missioni Mars Science Laboratory e SMAP.
Una libreria di Deep Learning per la classificazione di attività (segnali) EEG, basata su TensorFlow.
Repository del codice per Deep Learning con Keras pubblicato da Packt
Uno strumento per convertire file ONNX in LiteRT/TFLite/TensorFlow, codice nativo PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) e Dynamo ONNX. Supporta anche la conversione diretta da LiteRT a PyTorch.
Elenco di progettazione molecolare e di materiali utilizzando IA generativa e deep learning
Una collezione di metodi di rilevamento anomalie (iid/basati su punti, grafo e serie temporali) inclusi apprendimento attivo per rilevamento/scoperta anomalie, estrazione regole bayesiana, descrizione per diversità/spiegazione/interpretabilità. Analisi dell'incorporazione di feedback etichette con rilevatori ensemble e basati su alberi. Include attacchi avversari con Graph Convolutional Network.
Web App di previsione del mercato azionario basata su Machine Learning e Sentiment Analysis di Tweet (chiavi API incluse nel codice). Il front end della Web App si basa su Flask e Wordpress. L'App prevede i prezzi delle azioni dei prossimi sette giorni per qualsiasi azione data sotto NASDAQ o NSE inserita dall'utente. Le previsioni vengono effettuate utilizzando tre algoritmi: ARIMA, LSTM, Regressione Lineare. La Web App combina i prezzi previsti dei prossimi sette giorni con l'analisi del sentiment dei tweet per fornire una raccomandazione.
Rilevamento di Attività Localizzate Spazio-Temporalmente in Tempo Reale tramite Tracciamento dei Punti Chiave del Corpo
Esempio di previsione di più serie temporali multivariate con reti neurali ricorrenti LSTM in Python con Keras.
Previsione dei prezzi delle azioni utilizzando una rete neurale LSTM (long short-term memory) di TensorFlow per la previsione di serie temporali
Previsione del carico di energia elettrica di Delhi utilizzando modelli ARIMA, RNN, LSTM e GRU
Un Benchmark per la Classificazione del Testo in PyTorch
Classificare la descrizione dei crimini di Kaggle San Francisco in 39 classi. Costruire il modello con CNN, RNN (GRU e LSTM) e Word Embeddings su Tensorflow.
Domande frequenti
Qual è il repository #lstm più popolare su GitHub?
Il progetto open source #lstm più alto in classifica su GitHub è tesseract-ocr/tesseract, con 77,607 stelle. Tesseract Open Source OCR Engine (repository principale)
Quali linguaggi di programmazione sono più utilizzati nei repository #lstm?
Tra i progetti #lstm più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, JavaScript, C++.
Come viene calcolata la classifica dei repository #lstm?
Monitoriamo 36 repository open source attivi contrassegnati con #lstm (500+ stelle), per un totale di 246,923 stelle e una media di 6,858 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.