#deep-neural-networks Repositórios
103 repositórios no total
Coleção de notebooks do Google Colaboratory para experimentos rápidos e fáceis
Uma biblioteca e plataforma de avaliação PyTorch para pesquisa de compressão de ponta a ponta
🚀 Recursos Gratuitos de IA - 🎓 Cursos, 👷 Empregos, 📝 Blogs, 🔬 Pesquisa de IA e muito mais - para todos!
Exemplo de Aprendizado de Máquina TensorFlow para Android (Construindo o TensorFlow para Android)
O Medical Detection Toolkit contém implementações 2D + 3D de detectores de objetos prevalentes, como Mask R-CNN, Retina Net, Retina U-Net, bem como um framework de treinamento e inferência focado em lidar com imagens médicas.
🚀 A API de Contagem de Objetos do TensorFlow é um framework de código aberto construído sobre o TensorFlow e o Keras que facilita o desenvolvimento de sistemas de contagem de objetos!
Uma coleção de recursos sobre aplicações de Transformers em Imagiologia Médica.
Estrutura de sequência para sequência com foco em Tradução Automática Neural baseada em PyTorch
Autoencoder variacional implementado em tensorflow e pytorch (incluindo fluxo autorregressivo inverso)
Diagramas para visualizar a arquitetura da rede neural
Uma biblioteca adversária do PyTorch para métodos de ataque e defesa em imagens e grafos
Repositório complementar de GANs in Action: Deep learning with Generative Adversarial Networks
[ICML2024 (Oral)] Implementação oficial em PyTorch de DoRA: Adaptação de Baixa Patente Decomposta por Peso
Implementação agnóstica de framework para métodos de saliência de última geração (XRAI, BlurIG, SmoothGrad e outros).
Um compilador poliédrico para expressar algoritmos de paralelismo de dados rápidos e portáteis
Aprenda deep learning com tensorflow 2.0, keras e python através desta série abrangente de tutoriais de deep learning. Aprenda deep learning do zero. Série de deep learning para iniciantes. Tutoriais de Tensorflow, tutorial de tensorflow 2.0. Tutorial de deep learning python.
Coleção de métodos recentes sobre compressão e aceleração de redes neurais (profundas).
Engenharia de Representação: Uma Abordagem de Cima para Baixo para Transparência de IA
Stack de ADAS de nível 2 gratuito e totalmente de código aberto, alimentado por tecnologia de IA de ponta a ponta
TinyNeuralNetwork é um framework de compressão de redes neurais profundas eficiente e fácil de usar.
Uma lista curada de DATASETS, CODEBASES e PAPERS sobre Multi-Task Learning (MTL), da perspectiva de Machine Learning.
Este repositório contém uma coleção de pesquisas, conjuntos de dados, artigos e códigos, para a estimativa de incerteza preditiva em modelos de aprendizado profundo.
Exemplo de Machine Learning com TensorFlow Lite para Android
Um intérprete de língua gestual a usar a transmissão de vídeo ao vivo da câmara.
NeuPy é uma biblioteca Python baseada em Tensorflow para prototipagem e construção de redes neurais
Modelos de Referência Intel® AI: contém otimizações Intel para executar cargas de trabalho de aprendizado profundo em processadores Intel® Xeon® Scalable e GPUs Intel® para Data Center
Uma lista selecionada (mais recente) de recursos para Aprendizagem com Rótulos Ruidosos
Exemplo de Predição de Múltiplas Séries Temporais Multivariadas com Redes Neurais Recorrentes LSTM em Python com Keras.
Artigos, código e conjuntos de dados sobre deep learning para detecção de objetos 3D.
Fabric for Deep Learning (FfDL, pronunciado 'fiddle') é uma Plataforma de Aprendizado Profundo que oferece TensorFlow, Caffe, PyTorch etc. como Serviço no Kubernetes
Previsão de preços de ações usando uma rede neural LSTM (memória de longo prazo) do TensorFlow para previsão de séries temporais
ML-capsule é um projeto para iniciantes e entusiastas experientes em ciência de dados que não possuem um mentor ou orientação e desejam aprender aprendizado de máquina (Machine Learning). Usando nosso repositório, eles podem aprender ML, DL e muitas tecnologias relacionadas com diferentes projetos do mundo real e se preparar para entrevistas.
Uma biblioteca para camadas de redes neurais Bayesianas e estimação de incerteza em Deep Learning, estendendo o núcleo do PyTorch
ProphitBet é uma aplicação de previsão de apostas em futebol baseada em aprendizagem automática. Analisa a forma das equipas, calcula estatísticas dos jogos e prevê os resultados utilizando métodos avançados de aprendizagem automática (ML). Além disso, disponibiliza agentes de apostas baseados em aprendizagem por reforço profundo (DRL), capazes de aprender estratégias de apostas ideais.
Este repositório contém código de avaliação para o artigo "MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI"
Animação 3D automática de personagens usando técnicas de estimativa de pose e geração de landmarks
O Microsoft Scalable Noisy Speech Dataset (MS-SNSD) é um conjunto de dados de fala ruidosa que pode ser escalado para tamanhos arbitrários, dependendo do número de falantes, tipos de ruído e níveis de Relação Sinal-Ruído (SNR) desejados.
Um Conjunto de Dados Multimodal em Grande Escala de Carros com Simulações de Dinâmica de Fluidos Computacional e Benchmarks de Aprendizado Profundo
Pipeline de aumento para renderização de processos de impressão em papel sintético, fax, digitalização e cópia
Arquivo Divisão de pincéis e segmentos.py, basta inserir os dados high e low da linha k, e ele pode realizar automaticamente a divisão de pincéis, segmentos, centros, pontos de compra e venda e tipos de tendências. Você pode usar sh.csv como arquivo de entrada. Currículo pessoal em .pdf. O poder do tempo. Alguns dizem que é difícil escolher o momento certo, outros dizem que é fácil escolher ações, alguns dizem que as instalações de TI necessárias para arbitragem estatística são importantes. Outros dizem que os sistemas têm princípios de imprevisibilidade. Há muitas opiniões diferentes. Em um sistema distribuído, quando sua influência pode ser ignorada, você pode alcançar o que o Presidente Jiang chamou de 'ficar rico em silêncio'. Na primeira semana, o mercado caiu 1%, ganhei 10.000 e ganhei 5%. #ações #mercado #Chuantrading https://v.kuaishou.com/bFEl6M Copie esta mensagem e abra 【Kwai】 para visualizar!