#pytorch Репозитории
Всего репозиториев: 1,936
MACE – Быстрые и точные межатомные потенциалы машинного обучения с эквивариантной передачей сообщений высшего порядка.
Этот репозиторий предоставляет код и контрольные точки модели для исследовательских проектов AIMv1 и AIMv2.
Исходный код и набор данных для статьи ACL 2019 "ERNIE: Enhanced Language Representation with Informative Entities"
Реализация обучения глубоких сетей с эффективной коммуникацией на основе децентрализованных данных
Гибкий пакет для multimodal-deep-learning, чтобы объединять табличные данные с текстом и изображениями с использованием моделей Wide и Deep в Pytorch
(CVPR 2025) От медленных двунаправленных к быстрым авторегрессионным диффузионным моделям видео
🛸 Используйте предобученные трансформеры, такие как BERT, XLNet и GPT-2, в spaCy
Фреймворк на основе Pytorch для решения задач параметрической оптимизации с ограничениями, физически обоснованной идентификации систем и параметрического модельно-предиктивного управления.
Официальный репозиторий эволюционной оптимизации рецептов слияния моделей
FireRed-Image-Edit — это мощная базовая модель для редактирования изображений, достигающая передового уровня производительности в открытом исходном коде с точным следованием инструкциям, генерацией высокого качества, превосходной консистентностью идентичности и бесшовным слиянием нескольких элементов.
[CVPR 2025] Hallo3: Высокодинамичная и реалистичная анимация портретных изображений с помощью Video Diffusion Transformer
Рассчитайте требования к памяти GPU/токену/с для любого LLM. Поддерживает квантование llama.cpp/ggml/bnb/QLoRA
Создавайте, обучайте, оптимизируйте и запускайте модели компьютерного зрения локально — от исходных изображений до инференса в реальном времени. Открытый исходный код, оптимизация для Intel® XPU (также поддерживается CUDA).
[CVPR 2025 Highlight] Реконструкция плотных сцен в реальном времени с помощью SLAM3R
Официальная реализация статьи «MonST3R: простой подход к оценке геометрии при наличии движения»
[pip install medmnist] 18 стандартизированных наборов данных для 2D и 3D классификации биомедицинских изображений
Модульный фреймворк глубокого обучения с подкреплением в PyTorch. Сопутствующая библиотека книги "Foundations of Deep Reinforcement Learning".
Масштабируемое и оптимизированное по памяти обучение диффузионных моделей
[ICLR'23 Spotlight🔥] Первое успешное предобучение в стиле BERT/MAE на любой сверточной сети; реализация на Pytorch "Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling"
Минимальные и аннотированные реализации ключевых идей современных исследований в области глубокого обучения.
PoolFormer: MetaFormer на самом деле то, что вам нужно для зрения (CVPR 2022 Oral)
[CVPR 2021] Многоэтапное прогрессивное восстановление изображений. Результаты SOTA для удаления размытия, дождя и шума с изображений.
Быстрая библиотека с перекрытием коммуникаций для тензорного/экспертного параллелизма на GPU.
Фундаментальный набор инструментов, предназначенный для создания музыки, песен и аудио
Вероятностная система прогнозирования временных рядов на базе PyTorch с использованием бэкенда GluonTS
Правильная реализация ResNet-s для CIFAR10/100 в PyTorch, соответствующая описанию оригинальной статьи.
Исследование архитектуры DeepSeek Engram на основе Qwen-3 и серии Stable Diffusion.
Программное обеспечение с глубоким обучением для декодирования сигналов EEG, ECG или MEG
Создание универсальных роботов на основе воплощенной фундаментальной модели
Обнаружение и распознавание лиц с использованием глубокого обучения, реализовано с помощью PyTorch. (Реализация обнаружения и распознавания лиц с помощью PyTorch)
Официальный репозиторий Pytorch для экстремального сжатия больших языковых моделей с помощью аддитивной квантизации https://arxiv.org/pdf/2401.06118.pdf и PV-Tuning: за пределами прямого оценивания для экстремального сжатия LLM https://arxiv.org/abs/2405.14852
Современные, простые, быстрые неограниченные / крупномасштабные NeRF.
Этот проект использует ряд передовых моделей распознавания голоса, таких как EcapaTdnn, ResNetSE, ERes2Net, CAM++ и т. д. Не исключено, что в будущем будут поддерживаться новые модели. В то же время этот проект также поддерживает методы предварительной обработки данных MelSpectrogram и Spectrogram.