#pytorch リポジトリ
リポジトリ合計1,936件
ACM Multimedia2020 University-1652: ドローンによるジオローカライゼーションのためのマルチビュー・マルチソース・ベンチマーク :helicopter: 世界中の72の大学にある1652の建物を注釈付けします。
フルスタックML(機械学習)ロードマップには、データ収集と前処理、モデル開発、デプロイ、メンテナンスを含む、機械学習のすべての側面で習熟するために必要なスキルとテクノロジーを学ぶことが含まれます。
Yann LeCun 1989年の論文「Backpropagation Applied to Handwritten Zip Code Recognition」の再現。私の知る限り、これはバックプロパゲーションで訓練されたニューラルネットワークの最も初期の実際的な応用です。
LeanRLは、compileとcudagraphsを使用してパフォーマンスを最適化されたPyTorchスクリプトを選択したCleanRLのフォークです。
生成敵対的ネットワークを使用したフォトリアルな単一画像超解像度 | 超解像度に関するPyTorchチュートリアル
「Adversarial Motion Priors Make Good Substitutes for Complex Reward Functions」のコード
Claude CodeやあらゆるMCPクライアントで使える、ローカルAIによるBGMと効果音。Apple Silicon(MLX)およびWindowsのNVIDIA GPU(PyTorch)でStable Audio 3を実行。クラウド不要、APIキー不要。
USP: 長コンテキストトランスフォーマーモデルのトレーニングと推論のための統合(別名ハイブリッド、2D)シーケンス並列アテンション
このリポジトリには、DQN、DDQN、Dueling Network、DDPG、SAC、A2C、PPO、TRPOなどの、PyTorchベースの古典的な深層強化学習アルゴリズムのほとんどの実装が含まれています。(さらに多くのアルゴリズムを開発中です)
[🚀 ICLR 2026 Oral] NextStep-1: 継続トークンを用いたSOTA Autogressive画像生成。StepFunのマルチモーダルインテリジェンスチームが開発した研究プロジェクト。
CartoonGAN [Chen et al., CVPR18] の Pytorch および Torch テストコード
Flink でのディープラーニングは、Flink とディープラーニングフレームワーク(例: TensorFlow、PyTorch など)を統合し、Flink クラスタ上で分散型ディープラーニングのトレーニングと推論を可能にすることを目指します。
[ECCV 2024] InstructIR: 人間の指示に従った高品質画像復元 https://huggingface.co/spaces/marcosv/InstructIR
"Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator" のリポジトリ
LightMirrorsは、DockerHub、K8S、PyPI、PyTorch、NPMを現在サポートしているキャッシュ機能付きの軽量ミラーサーバーです。
ディープラーニングのための Fabric (FfDL、fiddle と発音) は、Kubernetes 上で TensorFlow、Caffe、PyTorch などをサービスとして提供するディープラーニング プラットフォームです。
BenchMARLは、マルチエージェント強化学習(MARL)のベンチマークライブラリです。BenchMARLを使用すると、再現性と標準化という2つのコア原則に体系的に基づきながら、さまざまなMARLアルゴリズム、タスク、モデルを迅速に比較できます。
暗号化されたトラフィックにおけるネットワークトラフィック分類モデルであるET-BERTのリポジトリ。この論文は、The Web Conference (WWW) 2022の採択論文として受理されました。
[NeurlPS2024] Real-World Image Super-ResolutionのためのOne-Step Effective Diffusion Network
より読みやすく柔軟な yolov5 に、より多くのバックボーン (gcn, resnet, shufflenet, moblienet, efficientnet, hrnet, swin-transformer など) と (cbam, dcn など) 、そして tensorrt を搭載
[JMLR 2023] Quantusは、ニューラルネットワークの解釈を責任を持って評価するための説明可能なAIツールキットです
[ICML 2024 Best Paper] データ分布の比率を推定することによる離散拡散モデリング (https://arxiv.org/abs/2310.16834)