#transformer Repository
208 repository in totale
Raccogliere alcuni articoli su transformer con visione. Incredibile Transformer con Computer Vision (CV)
Corsi introduttivi di deep learning, corsi avanzati, corsi speciali, casi accademici, casi di pratica industriale, enciclopedia della conoscenza di deep learning e banca di domande per colloqui Il corso, il caso e la conoscenza di Deep Learning e AI
Towhee è un framework dedicato a rendere le pipeline di elaborazione dei dati neurali semplici e veloci.
Fabbrica di fattori automatizzata open source basata sull'apprendimento per rinforzo profondo.
Questo repository contiene un elenco di letture di articoli su Time Series Forecasting/Prediction (TSF) e Spatio-Temporal Forecasting/Prediction (STF). Questi articoli sono principalmente categorizzati in base al tipo di modello.
Pipeline NLP native di Rust pronti all'uso e modelli basati su transformer (BERT, DistilBERT, GPT2, ...)
[AutoArk] GPA (General Purpose Audio) può eseguire ASR, TTS e conversione vocale con un unico modello minuscolo!
vogliamo creare un repo per illustrare l'uso dei transformer in cinese
Copre i dati di pre-addestramento, i tokenizer, i Transformer, il MoE, l’addestramento distribuito, le leggi di scaling, l’inferenza e l’allineamento. 6 esercizi di programmazione progressivi per apprendere gli LLM a 360 gradi.
🔥🔥🔥 Concentrato su modelli migliorati YOLO11, YOLOv8, TYOLOv12, YOLOv10, RT-DETR, YOLOv7, YOLOv5, Supporto per il miglioramento di backbone, neck, head, loss, IoU, NMS e altri moduli🚀
Un elenco curato professionalmente di fantastiche risorse (paper, codice, dati, ecc.) sui trasformatori nelle serie temporali.
Una piattaforma di apprendimento a circuito chiuso per la visione artificiale in cui il codice può essere eseguito interattivamente online. Libro elettronico cinese "Computer Vision in Action: Algorithms and Applications" a circuito chiuso, codice sorgente, comunità di scambio per lettori (in continuo aggiornamento ...) 📘 E-book online https://charmve.github.io/computer-vision-in-action/ 👇Pagina principale del progetto
Articoli di ricerca e blog per la transizione all'ingegneria AI
[CVPR 2022--Oral] Restormer: Transformer efficiente per il ripristino di immagini ad alta risoluzione. SOTA per motion deblurring, image deraining, denoising (Gaussian/real data) e defocus deblurring.
mPLUG-Owl: La potente famiglia di modelli linguistici di grandi dimensioni multimodali
Modelli linguistici di grandi dimensioni (LLM) resi semplici, EasyLM è una soluzione completa per il pre-training, il finetuning, la valutazione e il serving di LLM in JAX/Flax.
Graphormer è un backbone di deep learning generico per la modellazione molecolare.
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
🍅🍅🍅YOLOv5-Lite: Evoluto da yolov5 e la dimensione del modello è solo 900+kb (int8) e 1,7M (fp16). Raggiunge 15 FPS sul Raspberry Pi 4B~
Libreria PyTorch di deep learning per previsione di serie temporali, classificazione e rilevamento di anomalie (originariamente per previsione di alluvioni).
Lumina-T2X è un framework unificato per la generazione di testo verso qualsiasi modalità
[CVPR 2025 Highlight] Video Depth Anything: Stima della profondità coerente per video super-lunghi
📰 Articoli e blog imperdibili sulla modellazione del contesto lungo basata su LLM 🔥
Implementazione ufficiale per "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
Modelli ASR open-source di livello industriale che supportano mandarino, dialetti cinesi e inglese, raggiungendo un nuovo SOTA sui benchmark pubblici ASR in mandarino, offrendo al contempo eccezionali capacità di riconoscimento del testo delle canzoni.
L’edizione open source di QuantMind (Cervello quantitativo) è una piattaforma di trading quantitativo multimercato nativa dell’IA, pensata per sviluppatori individuali e team di ricerca e investimento. Integra in profondità Microsoft Qlib, l’evoluzione dei fattori di RD-Agent e il workbench completo QuantBot, offrendo un ciclo completo che comprende l’estrazione di oltre 300 dimensioni di fattori, una fabbrica di modelli con 13 modelli di machine learning e deep learning, backtesting ad alte prestazioni con Qlib, inferenza trasversale batch, analisi del sentiment dell’opinione pubblica in tempo reale 24/7, integrazione avanzata con TongdaXin (notifiche sui settori, radar degli avvisi e invio rapido degli ordini), oltre al trading reale e simulato. Supporta azioni A, azioni di Hong Kong, azioni statunitensi, futures e blockchain. Può essere utilizzata gratuitamente per scopi commerciali e distribuita privatamente con un solo clic tramite Docker Compose. Dati e modelli sono completamente locali per tutelare la riservatezza delle strategie; tutte le funzionalità sono disponibili senza barriere d’accesso né limitazioni.
Integrare modelli di deep learning per la classificazione delle immagini | Progetto di apprendimento/confronto/modifica magica della colonna vertebrale
Un elenco curato di articoli e risorse basati su grafi/transformer per il rilevamento di frodi, anomalie e outlier
Un framework di implementazione dell'IA facile da usare e ad alte prestazioni | An Easy-to-Use and High-Performance AI Deployment Framework
Classificazione testo lungo in cinese, classificazione frasi brevi, classificazione multi-etichetta, similarità di due frasi (Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short), strato di embedding vettoriale per caratteri/parole/frasi (embeddings) e strato di rete (graph) classe base di costruzione, FastText, TextCNN, CharCNN, TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, Rete a Capsula-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN
[ICML 2024] LLMCompiler: Un compilatore LLM per chiamate di funzioni parallele
Importa file SVG nel tuo progetto React Native nello stesso modo in cui lo faresti in un'applicazione web.
[CVPR 2023] OneFormer: Un Transformer per dominare la segmentazione universale delle immagini
Un framework senza codice basato su PyTorch per studi di deep learning riproducibili. Ecosistema PyTorch. 🏆 Finora sono stati implementati 28 metodi di distillazione della conoscenza presentati a TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, ecc. 🎁 Sono disponibili modelli addestrati, registri di addestramento e configurazioni per garantire la riproducibilità e consentire il benchmarking.
RLHF Sicuro: Allineamento dei Valori con Vincoli tramite Apprendimento per Rinforzo Sicuro dal Feedback Umano
PaddleSlim è una libreria open-source per la compressione di modelli profondi e la ricerca di architetture.
Un codebase unificato per l'apprendimento semi-supervisionato (NeurIPS'22)
Modello Piccolo, Grande Logica: L'ottimizzazione guidata dalla diversità evoca la capacità di ragionamento dei modelli di grandi dimensioni in VibeThinker-1.5B
Kernl ti consente di eseguire modelli transformer PyTorch diverse volte più velocemente su GPU con una singola riga di codice, ed è progettato per essere facilmente modificabile.