#lstm Repositórios
Descubra 36 repositórios ativos de código aberto no GitHub marcados com #lstm, acumulando um total de 246,923 estrelas (uma média de 6,858 por projeto). O líder deste tópico é tesseract-ocr/tesseract, com 77,607 estrelas.
36 repositórios no total
AiLearning: Análise de Dados + Prática de Machine Learning + Álgebra Linear + PyTorch + NLTK + TF2
OCR pronto a usar com mais de 80 idiomas suportados e todos os principais sistemas de escrita, incluindo Latim, Chinês, Árabe, Devanágari, Cirílico e etc.
Uma rede neural que transforma um protótipo de design em um site estático.
RWKV (pronuncia-se RwaKuv) é uma RNN com ótimo desempenho de LLM, que também pode ser treinada diretamente como um transformador GPT (paralelizável). Estamos no RWKV-7 "Goose". Portanto, ele combina o melhor de RNN e transformador - ótimo desempenho, tempo linear, espaço constante (sem cache kv), treinamento rápido, ctx_len infinito e embedding de frase gratuito.
Tutoriais sobre a implementação de alguns modelos de sequência para sequência (seq2seq) com PyTorch e TorchText.
Neste caderno, criarei um processo completo para prever movimentos de preços de ações. Acompanhe e alcançaremos resultados muito bons. Para isso, usaremos uma Rede Adversarial Generativa (GAN) com LSTM, um tipo de Rede Neural Recorrente, como gerador, e uma Rede Neural Convolucional, CNN, como discriminador. Usamos LSTM pela razão óbvia de que estamos tentando prever dados de séries temporais. Por que usamos GAN e especificamente CNN como discriminador? Essa é uma boa p
Tutoriais sobre como começar com PyTorch e TorchText para análise de sentimentos.
Robô gerador automático de poesia clássica chinesa, impressionante, baseado na API tensorflow1.10, em manutenção e atualização ativa, dê uma estrela rápida e mantenha-se atualizado!
Lista de artigos, códigos e experimentos usando aprendizado profundo para previsão de séries temporais
Tutoriais de Jupyter Notebook sobre como resolver problemas do mundo real com Machine Learning e Deep Learning usando PyTorch. Tópicos: Detecção facial com Detectron 2, Detecção de anomalias em Séries Temporais com Autoencoders LSTM, Detecção de objetos com YOLO v5, Construa sua primeira Rede Neural, Previsão de Séries Temporais para casos diários de Coronavírus, Análise de Sentimentos com BER
Biblioteca PyTorch de aprendizado profundo para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).
Biblioteca autossuficiente de Machine Learning e Processamento de Linguagem Natural em Go
Lista aproximada dos meus recursos favoritos de aprendizagem profunda (deep learning), úteis para revisitar tópicos ou para referência. Eu estudei cuidadosamente todo o conteúdo listado ali. - Guillaume Chevalier
Este repositório contém a implementação de diferentes arquiteturas para reconhecimento de emoções em conversas.
:art: Reconhecimento Aprimorado de Fórmulas Matemáticas: Suporta fórmulas manuscritas e impressas em chinês/inglês, com raciocínio de símbolos primário (base de dados estruturada em Árvore de Sintaxe Abstrata LaTeX) Math Formula OCR Pro, supports handwrite, Chinese-mixed formulas and simple symbol reasoning (based on LaTeX AST).
Uma estrutura para usar LSTMs para detectar anomalias em dados de séries temporais multivariadas. Inclui dados de anomalias de espaçonaves e experimentos das missões Mars Science Laboratory e SMAP.
Uma biblioteca de Deep Learning para Classificação de Tarefas (Sinais) de EEG, baseada em TensorFlow.
Repositório de código para Deep Learning com Keras publicado pela Packt
Uma ferramenta para converter arquivos ONNX para LiteRT/TFLite/TensorFlow, código nativo do PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) e Dynamo ONNX. Também suporta conversão direta de LiteRT para PyTorch.
Lista de design molecular e de materiais usando IA generativa e aprendizado profundo
Uma coleção de métodos de detecção de anomalias (iid/baseados em pontos, grafos e séries temporais), incluindo aprendizado ativo para detecção/descoberta de anomalias, mineração de regras bayesianas, descrição para diversidade/explicação/interpretabilidade. Análise da incorporação de feedback de rótulos com detectores baseados em ensemble e em árvores. Inclui ataques adversariais com Redes Neurais Convolucionais de Grafos.
Aplicativo Web de Previsão do Mercado de Ações baseado em Aprendizado de Máquina e Análise de Sentimento de Tweets (chaves de API incluídas no código). O front-end do Aplicativo Web é baseado em Flask e Wordpress. O Aplicativo prevê os preços das ações para os próximos sete dias para qualquer ação específica da NASDAQ ou NSE, conforme inserido pelo usuário. As previsões são feitas utilizando três algoritmos: ARIMA, LSTM, Regressão Linear. O Aplicativo Web combina os preços previstos para os próximos sete dias com a análise de sentimento dos tweets para fornecer recomendações.
Detecção de Atividade Espaço-Temporalmente Localizada em Tempo Real pelo Rastreamento de Pontos-Chave do Corpo
Exemplo de Predição de Múltiplas Séries Temporais Multivariadas com Redes Neurais Recorrentes LSTM em Python com Keras.
Previsão de preços de ações usando uma rede neural LSTM (memória de longo prazo) do TensorFlow para previsão de séries temporais
Previsão da carga de energia elétrica de Delhi usando modelos ARIMA, RNN, LSTM e GRU
Um Ponto de Referência para Classificação de Texto em PyTorch
Classificar a descrição de crimes do Kaggle San Francisco em 39 classes. Construir o modelo com CNN, RNN (GRU e LSTM) e Word Embeddings no Tensorflow.
Perguntas Frequentes
Qual é o repositório de #lstm mais popular no GitHub?
O projeto de código aberto de #lstm mais bem classificado no GitHub é tesseract-ocr/tesseract, com 77,607 estrelas. Tesseract Open Source OCR Engine (repositório principal)
Quais linguagens de programação são mais usadas nos repositórios de #lstm?
Entre os projetos de #lstm mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, JavaScript, C++.
Como é calculada a classificação dos repositórios de #lstm?
Acompanhamos 36 repositórios ativos de código aberto marcados com #lstm (com mais de 500 estrelas), totalizando 246,923 estrelas e uma média de 6,858 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.