#pytorch Репозитории
Всего репозиториев: 1,936
Репозиторий для программы Nanodegree по глубокому обучению с подкреплением
Предобученные модели PyTorch для обнаружения лиц (MTCNN) и распознавания лиц (InceptionResnet)
Код для книги Deep Learning with PyTorch авторов Эли Стивенс, Лука Антига и Томаса Виеманна.
cube studio Open-Source Cloud-Native Универсальная AI-платформа для машинного обучения/глубокого обучения/больших моделей, полный процесс алгоритмической цепочки MLOps, платформа аренды вычислительных мощностей, онлайн-разработка в Notebook, оркестровка конвейера задач методом перетаскивания, распределенное обучение на нескольких машинах с несколькими GPU, поиск гиперпараметров, виртуализация VGPU для сервиса инференса, граничные вычисления, автоматизированная разметка на платформе разметки, дообучение SFT больших моделей (deepseek и др.)/модель вознаграждения/обучение с подкреплением, многомашинный инференс больших моделей (vllm/ollama/mindie и др.), частная база знаний, маркетплейс AI-моделей, поддержка отечественных CPU/GPU/NPU экосистемы Ascend, поддержка RDMA, поддержка распределенных фреймворков (pytorch/tf/mxnet/deepspeed/paddle/colossalai/horovod/ray/volcano и др.)
Реализация на PyTorch для семантической сегментации/парсинга сцен на датасете MIT ADE20K
Ресурсы, практика и исследования в области машинного обучения и агентного ИИ
Torchreid: Глубокое обучение для переидентификации людей в PyTorch.
🚀 Открытый практический курс, bridging разрыв от базовых концепций RL до выравнивания LLM, RLVR и продвинутых агентных систем.
Я считаю, что вы, аспиранты и соискатели, для которых эта книга в первую очередь предназначена, получите пользу от ее прочтения; однако я надеюсь, что даже самые опытные исследователи найдут ее увлекательной.
Библиотека PyTorch для реализации алгоритмов сопоставления потоков, включающая реализации непрерывного и дискретного сопоставления потоков. Она содержит практические примеры для текстовых и графических модальностей.
Условная память через масштабируемый поиск: Новая ось разреженности для больших языковых моделей
Высокоуровневая библиотека для помощи в гибком и прозрачном обучении и оценке нейронных сетей в PyTorch.
🔥 LeetCode для PyTorch — практикуйте реализацию softmax, attention, GPT-2 и многого другого с нуля с мгновенной автоматической проверкой. На базе Jupyter, само-хостинг или попробуйте онлайн.
[NeurIPS 2023] Официальная реализация статьи "Segment Everything Everywhere All at Once"
Meta Lingua: компактная, эффективная и простая в модификации кодовая база для исследований LLM.
Репозиторий для распределенного обучения языковых моделей с использованием обучения с подкреплением на основе обратной связи от человека (RLHF)
Практика на cifar100(ResNet, DenseNet, VGG, GoogleNet, InceptionV3, InceptionV4, Inception-ResNetv2, Xception, Resnet In Resnet, ResNext,ShuffleNet, ShuffleNetv2, MobileNet, MobileNetv2, SqueezeNet, NasNet, Residual Attention Network, SENet, WideResNet)
Система преобразования текста в речь с открытым исходным кодом, созданная путем инвертирования Whisper.
Репозиторий для хранения моделей, которые были взаимно преобразованы между различными фреймворками. Поддерживаемые фреймворки: TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
Независимо от того, являетесь ли вы абсолютным новичком, применяете проекты в области CV, NLP, LLM или стремитесь к продвинутому инженерному развертыванию и внедрению, здесь вы найдете все в «Практическом руководстве по Pytorch» (2-е издание). Мы верим, что с помощью этой книги читатели смогут легко освоить использование PyTorch и стать отличными инженерами глубокого обучения.
PointNet и PointNet++, реализованные с помощью PyTorch (чистый Python) и на ModelNet, ShapeNet и S3DIS.
TNN: разработанный Tencent Youtu Lab и Guangying Lab, унифицированный фреймворк для инференса глубокого обучения для мобильных устройств, настольных компьютеров и серверов. TNN отличается несколькими выдающимися особенностями, включая кроссплатформенность, высокую производительность, сжатие моделей и обрезку кода. Основываясь на ncnn и Rapidnet, TNN еще больше усиливает поддержку и оптимизацию производительности для мобильных устройств, а также использует преимущества хорошей расширяемости и высокой производительности существующих усилий по разработке открытого исходного кода.
Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference
Учебники по началу работы с PyTorch и TorchText для анализа настроений.
Tengine — это легкий, высокопроизводительный, модульный движок вывода для встроенных устройств.
Библиотека для научного машинного обучения и обучения, информированного физикой
Набор инструментов для оценки больших мультимодальных моделей (LMM) с открытым исходным кодом, поддержка 220+ LMM, 80+ бенчмарков
Основы машинного обучения: линейная алгебра, исчисление, статистика и информатика