#lstm Репозитории
Откройте для себя 36 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #lstm, с общим числом 246,923 звёзд (в среднем 6,858 на проект). Лидером этой темы является tesseract-ocr/tesseract, набравший 77,607 звёзд.
Всего репозиториев: 36
AiLearning: Анализ данных + Практика машинного обучения + Линейная алгебра + PyTorch + NLTK + TF2
Готовый к использованию OCR с поддержкой более 80 языков и всех популярных письменностей, включая латиницу, китайский, арабский, деванагари, кириллицу и т.д.
Нейронная сеть, которая преобразует макет дизайна в статический веб-сайт.
RWKV (произносится RwaKuv) — это RNN с отличной производительностью LLM, который также может быть напрямую обучен, как трансформер GPT (параллелизуемый). Мы находимся на RWKV-7 "Goose". Таким образом, он сочетает в себе лучшее от RNN и трансформера — отличная производительность, линейное время, постоянное пространство (без kv-кеша), быстрое обучение, бесконечная длина контекста (ctx_len) и бесплатное встраивание предложений.
Учебные пособия по реализации нескольких моделей sequence-to-sequence (seq2seq) с помощью PyTorch и TorchText.
В этом блокноте я создам полный процесс для предсказания движений цен акций. Следите за мной, и мы добьемся довольно хороших результатов. Для этой цели мы будем использовать Генеративно-Состязательную Сеть (GAN) с LSTM, видом Рекуррентной Нейронной Сети, в качестве генератора, и Сверточную Нейронную Сеть, CNN, в качестве дискриминатора. Мы используем LSTM по очевидной причине, что пытаемся предсказывать данные временных рядов. Почему мы используем GAN и конкретно CNN в качестве дискриминатора? Это хороший q
Учебники по началу работы с PyTorch и TorchText для анализа настроений.
Автоматический робот для написания классических китайских стихов, x взрывоопасный, на основе API tensorflow1.10, находится в стадии активного обслуживания и обновления, быстро ставьте звезду, следите за обновлениями!
Список статей, кода и экспериментов, использующих глубокое обучение для прогнозирования временных рядов
Учебные пособия Jupyter Notebook по решению реальных проблем с помощью Machine Learning & Deep Learning с использованием PyTorch. Темы: Обнаружение лиц с Detectron 2, Обнаружение аномалий в временных рядах с LSTM Autoencoders, Обнаружение объектов с YOLO v5, Создайте свою первую Neural Network, Прогнозирование временных рядов для ежедневных случаев Coronavirus, Анализ настроений с BER
Библиотека PyTorch для глубокого обучения для прогнозирования временных рядов, классификации и обнаружения аномалий (первоначально для прогнозирования наводнений).
Примерный список моих любимых ресурсов по глубокому обучению, полезный для повторного изучения тем или для справки. Я тщательно прошел весь контент, перечисленный там. - Guillaume Chevalier
Этот репозиторий содержит реализации различных архитектур для распознавания эмоций в разговорах.
:art: Улучшенная версия распознавания математических формул: Рукописные и печатные формулы на китайском и английском, поддерживает базовый вывод символов (структура данных на основе абстрактного синтаксического дерева LaTeX) Math Formula OCR Pro, поддерживает рукописный ввод, смешанные китайско-английские формулы и простое рассуждение символов (на основе LaTeX AST).
Фреймворк для использования LSTM для обнаружения аномалий в многомерных временных рядах. Включает данные об аномалиях космических аппаратов и эксперименты из миссий Mars Science Laboratory и SMAP.
Библиотека глубокого обучения для классификации задач (сигналов) ЭЭГ, основанная на TensorFlow.
Репозиторий кода для Deep Learning с Keras, опубликованный Packt
Инструмент для конвертации файлов ONNX в LiteRT/TFLite/TensorFlow, нативный код PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) и Dynamo ONNX. Также поддерживает прямую конвертацию из LiteRT в PyTorch.
Список молекулярного и материального дизайна с использованием генеративного ИИ и глубокого обучения
Сборник методов обнаружения аномалий (iid/на основе точек, граф и временные ряды), включая активное обучение для обнаружения/открытия аномалий, байесовское извлечение правил, описание для разнообразия/объяснения/интерпретируемости. Анализ интеграции обратной связи по меткам с детекторами на основе ансамблей и деревьев. Включает adversarial атаки с Graph Convolutional Network.
Веб-приложение для прогнозирования фондового рынка на основе машинного обучения и анализа настроений твитов (ключи API включены в код). Фронтенд веб-приложения основан на Flask и Wordpress. Приложение прогнозирует цены на акции на следующие семь дней для любой акции на NASDAQ или NSE, введенной пользователем. Прогнозы делаются с использованием трех алгоритмов: ARIMA, LSTM, линейная регрессия. Веб-приложение объединяет прогнозируемые цены на следующие семь дней с анализом настроений твитов, чтобы дать рекомендацию.
Обнаружение активности, локализованной в пространстве и времени в реальном времени, путем отслеживания ключевых точек тела
Пример предсказания нескольких многомерных временных рядов с использованием рекуррентных нейронных сетей LSTM в Python с Keras.
Прогнозирование цен на акции с использованием нейронной сети TensorFlow LSTM (долгая краткосрочная память) для прогнозирования временных рядов
Прогнозирование нагрузки электроэнергии Дели с использованием моделей ARIMA, RNN, LSTM и GRU
Классифицировать описание преступлений Kaggle San Francisco на 39 классов. Построить модель с помощью CNN, RNN (GRU и LSTM) и Word Embeddings на Tensorflow.
Часто задаваемые вопросы
Какой репозиторий по теме #lstm наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #lstm на GitHub — tesseract-ocr/tesseract, набравший 77,607 звёзд. Tesseract Open Source OCR Engine (основной репозиторий)
Какие языки программирования чаще всего используются в репозиториях по теме #lstm?
Среди наиболее высоко оценённых проектов по теме #lstm на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, JavaScript, C++.
Как рассчитывается рейтинг репозиториев по теме #lstm?
Мы отслеживаем 36 активных репозиториев с открытым исходным кодом, отмеченных тегом #lstm (500 и более звёзд), с общим числом 246,923 звёзд и в среднем 6,858 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.