#transformer Repository
Scopri 208 repository GitHub open source attivi contrassegnati con #transformer, che raccolgono un totale di 1,197,728 stelle (con una media di 5,758 stelle per progetto). Il progetto leader di questo argomento è huggingface/transformers, con 169,339 stelle.
208 repository in totale
🤗 Transformers: il framework di definizione dei modelli per modelli di machine learning all'avanguardia in testo, visione, audio e modelli multimodali, sia per l'inferenza che per l'addestramento.
Un motore di inferenza e serving per LLM ad alta produttività ed efficiente in termini di memoria
🧑🏫 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, ... 🧠
Modifica dei modelli linguistici senza addestramento: rimuovere la censura, limitare i contenuti scadenti e l’adulazione, e altro ancora
SGLang è un framework di serving ad alte prestazioni per modelli linguistici di grandi dimensioni e modelli multimodali.
Un elenco classificato di fantastiche librerie Python per il machine learning. Aggiornato settimanalmente.
《Reti neurali e deep learning》 di Qiu Xipeng, seconda edizione ed edizione divulgativa: e-book, indice dei capitoli, risorse per lo studio e errata corrige.
FreeToken porta il servizio di modelli su scala data center sul tuo desktop. Esegui modelli enormi localmente, in modo rapido ed efficiente.
《Tutorial di Deep Learning di Li Hongyi》(Raccomandato dal professor Li Hongyi 👍, Apple Books 🍎), Link per il download PDF: https://github.com/datawhalechina/leedl-tutorial/releases
MNN: Un motore di inferenza ultraveloce e leggero, testato in battaglia da Alibaba, che alimenta LLMs e Edge AI ad alte prestazioni su dispositivo.
pix2tex: Utilizzo di un ViT per convertire immagini di equazioni in codice LaTeX.
Tutorial sull'Elaborazione del Linguaggio Naturale per Ricercatori di Deep Learning
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.
Un framework per la valutazione few-shot dei modelli linguistici.
Un potente client HTTP per Dart e Flutter, che supporta impostazioni globali, Interceptors, FormData, interruzione e cancellazione di una richiesta, caricamento e scaricamento di file, timeout delle richieste, adattatori personalizzati, ecc.
Toolkit per il riconoscimento vocale facile da usare che include modello di apprendimento auto-supervisionato, ASR SOTA/Streaming con punteggiatura, TTS Streaming con frontend di testo, Sistema di Verifica del Parlante, Traduzione Vocale End-to-End e Rilevamento di Parole Chiave. Ha vinto il Best Demo Award NAACL2022.
Un modello Kimi K3 da 2,78 trilioni di parametri che esegue l'inferenza su una singola CPU con 8,24 GB di RAM. C99 portatile: niente BLAS, niente framework, niente GPU.
Inferenza sulla generazione di testo di modelli linguistici di grandi dimensioni
Traduci manga/immagini: traduci con un clic il testo presente in immagini di ogni tipo https://cotrans.touhou.ai/ https://greasyfork.org/en/scripts/437569-cotrans-manga-image-translator-regular-edition
Esegui LLM a casa, in stile BitTorrent. Fine-tuning e inferenza fino a 10 volte più veloci rispetto all'offloading.
Libreria per la segmentazione delle immagini facile da usare con un fantastico zoo di modelli pre-addestrati, che supporta un'ampia gamma di compiti pratici in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, ecc.
Un toolkit estensibile per il fine-tuning e l'inferenza di grandi modelli di base. Grandi modelli per tutti.
Un framework per l'inferenza efficiente del modello con modelli omni-modalità
Versione cinese del codice di addestramento di GPT2, utilizzando il tokenizer BERT.
🔍 Un Framework Multi-Agente Basato su LLM per Motori di Ricerca Web (come Perplexity.ai Pro e SearchGPT)
Un livello decisionale aperto e programmabile per modelli e calcolo.
Quantizzazione a 2 bit, kernel e ambiente di esecuzione per dispositivi consumer.
Serie temporali Timeseries Deep Learning Machine Learning Python Pytorch fastai | Libreria Deep Learning all'avanguardia per Serie Temporali e Sequenze in Pytorch / fastai
Tutorial sull'implementazione di alcuni modelli sequence-to-sequence (seq2seq) con PyTorch e TorchText.
【Tre anni di colloqui, cinque anni di simulazioni】Piattaforma di risorse per i colloqui degli ingegneri degli algoritmi AIGC/LLM/AI Agent. Comprende contenuti pratici ed esperienze essenziali per colloqui e prove scritte, oltre a conoscenze fondamentali e durature nel settore dell’IA, tra cui AIGC, grandi modelli linguistici (LLM), agenti IA, intelligenza incorporata, deep learning tradizionale, visione artificiale, elaborazione del linguaggio naturale, guida autonoma, apprendimento automatico, apprendimento per rinforzo, data mining su big data, modelli del mondo, metaverso, AGI e altro ancora.
SwinIR: Ripristino di Immagini Utilizzando Swin Transformer (repository ufficiale)
Produzione prima e pacchetto di riconoscimento vocale end-to-end pronto per la produzione
Un elenco definitivo e completo di articoli su Vision Transformer/Attention, inclusi articoli, codici e siti Web correlati
Memoria condizionale tramite ricerca scalabile: Un nuovo asse di sparsità per i grandi modelli linguistici
La bibbia definitiva per iniziare con l'IA, senza oscurità o elitarismo, accessibile a tutti, dagli studenti agli ingegneri. Copre tutto, dalle reti neurali ai grandi modelli, dalla progettazione di alto livello ai principi microscopici, dall'implementazione ingegneristica alle basi algoritmiche. Dopo averlo letto, capirete perfettamente perché la previsione del prossimo token, una capacità apparentemente insignificante, possa cambiare il mondo, e scoprirete che l'IA non è così misteriosa o irraggiungibile come pensavate. Let's just beat it!
Backbone AI efficienti inclusi GhostNet, TNT e MLP, sviluppati da Huawei Noah's Ark Lab.
Domande frequenti
Qual è il repository #transformer più popolare su GitHub?
Il progetto open source #transformer più alto in classifica su GitHub è huggingface/transformers, con 169,339 stelle. 🤗 Transformers: il framework di definizione dei modelli per modelli di machine learning all'avanguardia in testo, visione, audio e modelli multimodali, sia per l'inferenza che per l'addestramento.
Quali linguaggi di programmazione sono più utilizzati nei repository #transformer?
Tra i progetti #transformer più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, C++, Jupyter Notebook, JavaScript.
Come viene calcolata la classifica dei repository #transformer?
Monitoriamo 208 repository open source attivi contrassegnati con #transformer (500+ stelle), per un totale di 1,197,728 stelle e una media di 5,758 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.