Jupyter Notebookben írt könyvtárak
ltt
Tanuljon, majd tesztelje: Prediktív algoritmusok kalibrálása a kockázatkezelés elérése érdekében.
- 41
- MIT
CoreML-samples
Mintakód a Core ML-hez az Apple által biztosított ResNet50 használatával és a coremltools által generált egyéni modellel.
- 41
- MIT
ControllableTalkNet
Ez az NVIDIA TalkNet módosított változata. Ez egy vezérelhető hálózat, amely CPU és GPU következtetésekre egyaránt használható.
- 41
- Creative Commons Zero v1.0 Universal
kivy-tensorflow-helloworld
Futtasson következtetést a Tensorflow Lite segítségével iOS, Android, MacOS, Windows és Linux rendszeren Python használatával.
- 40
nitroml
A NitroML egy moduláris, hordozható és méretezhető modell-minőségű benchmarking keretrendszer gépi tanulási és automatizált gépi tanulási (AutoML) folyamatokhoz.
- 40
- Apache License 2.0
Transformer-Models-from-Scratch
különféle transzformátormodellek megvalósítása különféle feladatokhoz.
- 40
Transformer-in-Transformer
A Transformer implementációja a Transformerben a TensorFlow-ban a képosztályozáshoz, a helyi foltok figyeléséhez (Rishit-dagli).
- 39
- Apache License 2.0
DataDrivenDynSyst
Szkriptek és jegyzetfüzetek a Data-Driven Methods for Dynamic Systems című könyvhöz.
- 39
- MIT
cdQnA
tárháza dokumentumoknak és tanulmányoknak a zárt domain kérdéseivel és megválaszolásával kapcsolatban LLM-mel.
- 39
doohickey
A Doohickey egy stabil diffúziós eszköz a műszaki művészek számára, akik naprakészek akarnak maradni a terület legújabb fejleményeivel.
- 39
infery-examples
Demo-alkalmazások és következtetési szkriptek gyűjteménye különféle mély tanulási keretrendszerekhez következtetést (Python) használva.
- 39
- GNU General Public License v3.0
Multi-Modal-Comparators
Egységes API, amely megkönnyíti az előre betanított „perceptor” modellek használatát, a la CLIP.
- 38
Deep-Learning-With-TensorFlow
Az összes erőforrás és gyakorlati gyakorlat a TensorFlow Deep Learning használatának megkezdéséhez.
- 38
- Apache License 2.0
iterative-grabcut
Ez az algoritmus egy, a felhasználó által készített téglalapot használ az előtérben lévő elem azonosítására. Ezután a felhasználó szerkesztheti, hogy objektumokat adjon hozzá vagy távolítson el az előtérből. Ezután eltávolítja a hátteret és átlátszóvá teszi.
- 38
- MIT
Colab-Crypto-Mining
Kriptovaluta bányászati kísérletek a Google CoLab notebookokon.
- 38
- GNU General Public License v3.0 only
xrays-and-gradcam
Mellkasröntgenfelvételek osztályozása és gradiens alapú lokalizációja PyTorch segítségével.
- 37
- MIT
data-analytics-project-template
Python projektindító sablon adatelemzéshez és adattudományhoz.
- 37
- Apache License 2.0
TensorFlow2.0_Notebooks
Neurális hálózati architektúrák sorozatának megvalósítása a TensorFow 2.0-ban.
- 37
- MIT