#transfer-learning Репозитории
Откройте для себя 56 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #transfer-learning, с общим числом 149,105 звёзд (в среднем 2,662 на проект). Лидером этой темы является datawhalechina/leedl-tutorial, набравший 16,879 звёзд.
Всего репозиториев: 56
《Курс глубокого обучения Ли Хунъи》(Рекомендовано профессором Ли Хунъи 👍, Apple Books 🍎), Ссылка для скачивания PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Обучение с переносом / Адаптация домена / Обобщение домена / Многозадачное обучение и т.д. Статьи, коды, наборы данных, приложения, руководства. - Обучение с переносом
Код для статьи "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer"
Аннотирование собственных наборов данных, обучение, оценка, тестирование и развертывание собственных алгоритмов искусственного интеллекта
Библиотека трансферного обучения для адаптации домена, адаптации задачи и генерализации домена
🔥🔥Библиотека распознавания лиц высокой производительности на PaddlePaddle & PyTorch🔥🔥
Библиотека для трансферного обучения путем повторного использования частей моделей TensorFlow.
Реализация Segnet, FCN, UNet, PSPNet и других моделей в Keras.
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
Kashgari — это фреймворк для трансферного обучения NLP на производственном уровне, построенный на базе tf.keras для разметки текста и классификации текста, включает Word2Vec, BERT и GPT2 Language Embedding.
Библиотека PyTorch для глубокого обучения для прогнозирования временных рядов, классификации и обнаружения аномалий (первоначально для прогнозирования наводнений).
Многие исследования показали, что производительность глубокого обучения значительно зависит от объема обучающих данных. Проект MedicalNet предоставляет серию предварительно обученных моделей 3D-ResNet и соответствующий код.
Персонализируйте модель Segment Anything (SAM) за 1 выстрел за 10 секунд
Код для статьи TKDE «Самонастраивающееся обучение на графах: Контрастное, генеративное или предиктивное»
🛸 Используйте предобученные трансформеры, такие как BERT, XLNet и GPT-2, в spaCy
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).
Сборник отличных методов адаптации во время тестирования (доменной/пакетной/индивидуальной)
Обширный список замечательных статей по контрастному самообучению.
TorchXRayVision: Библиотека наборов данных и моделей рентгеновских снимков грудной клетки. Классификаторы, сегментация и автоэнкодеры.
Куратированный список ресурсов NLP, сосредоточенный на сетях Transformer, механизме внимания, GPT, BERT, ChatGPT, LLM и трансферном обучении.
Статьи ICCV 2023-2025: Откройте для себя передовые исследования с ICCV 2023-25, ведущей конференции по компьютерному зрению. Будьте в курсе последних достижений в области компьютерного зрения и глубокого обучения, с включенным кодом. ⭐ Поддержите развитие визуального интеллекта!
Инструмент ИИ для молекулярного дизайна для де ново дизайна, смены каркаса (scaffold hopping), замены R-группы, дизайна линкера и оптимизации молекул.
Gaze-LLE: Оценка цели взгляда с помощью крупномасштабных обученных кодировщиков (CVPR 2025, Highlight)
Куратированный список НАБОРОВ ДАННЫХ, КОДОВЫХ БАЗ и СТАТЕЙ по Multi-Task Learning (MTL) с точки зрения машинного обучения.
Слияние моделей в LLMs, MLLMs и далее: методы, теории, приложения и возможности. ACM Computing Surveys, 2026.
[Премия MICCAI 2019 для молодых учёных] [Премия MedIA за лучшую статью] Models Genesis: самоконтролируемое предварительное обучение для трёхмерных медицинских изображений. Модель изучает переносимые представления на основе неразмеченных объёмных данных КТ и МРТ, а затем дообучается для последующих задач сегментации и классификации. Включены веса для Keras и PyTorch.
Реализация на TensorFlow и PyTorch статьи "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)
Основной репозиторий для передовых исследований и разработок в области многоязычных систем ответов на вопросы.
BiomedGPT: Универсальная основополагающая модель зрения-языка для решения различных биомедицинских задач
Prov-GigaPath: Фундаментальная модель для всей истории болезни в цифровой патологии на основе реальных данных
Полный жизненный цикл проекта по науке о данных
Официальный код для "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Часто задаваемые вопросы
Какой репозиторий по теме #transfer-learning наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #transfer-learning на GitHub — datawhalechina/leedl-tutorial, набравший 16,879 звёзд. 《Курс глубокого обучения Ли Хунъи》(Рекомендовано профессором Ли Хунъи 👍, Apple Books 🍎), Ссылка для скачивания PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Какие языки программирования чаще всего используются в репозиториях по теме #transfer-learning?
Среди наиболее высоко оценённых проектов по теме #transfer-learning на GitHub чаще всего используются языки программирования Python, Jupyter Notebook.
Как рассчитывается рейтинг репозиториев по теме #transfer-learning?
Мы отслеживаем 56 активных репозиториев с открытым исходным кодом, отмеченных тегом #transfer-learning (500 и более звёзд), с общим числом 149,105 звёзд и в среднем 2,662 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.