Startseite>Programmierbezogen>Python
Herunterladen

Awesome-Pytorch-Liste

Inhalt

  • Pytorch und verwandte Bibliotheken
    • NLP und Sprachverarbeitung
    • Computer Vision
    • Probabilistische/generative Bibliotheken
    • Andere Bibliotheken
  • Tutorials, Bücher und Beispiele
  • Papierimplementierungen
  • Vorträge und Konferenzen
  • Pytorch anderswo

Pytorch und verwandte Bibliotheken

  1. pytorch: Tensoren und dynamische neuronale Netze in Python mit starker GPU-Beschleunigung.
  2. Captum: Modellinterpretierbarkeit und -verständnis für PyTorch.

NLP und Sprachverarbeitung:

  1. Pytorch-Text: Torch-textbezogener Inhalt.
  2. pytorch-seq2seq: Ein Framework für Sequenz-zu-Sequenz-Modelle (seq2seq), das in PyTorch implementiert ist.
  3. anuvada: Interpretierbare Modelle für NLP mit PyTorch.
  4. Audio: einfache Audio-E/A für Pytorch.
  5. Schleife: Eine Methode zum Generieren von Sprache über mehrere Sprecher hinweg
  6. fairseq-py: Facebook AI Research Sequence-to-Sequence Toolkit, geschrieben in Python.
  7. Rede: PyTorch ASR-Implementierung.
  8. OpenNMT-py: Open-Source-Neuronale Maschinelle Übersetzung in PyTorch http://opennmt.net
  9. neuralcoref: Modernste Koreferenzauflösung basierend auf neuronalen Netzen und spaCy Huggingface.co/coref
  10. Sentiment-Discovery: Unbeaufsichtigte Sprachmodellierung im Maßstab für eine robuste Sentimentklassifizierung.
  11. MUSE: Eine Bibliothek für mehrsprachige unbeaufsichtigte oder überwachte Worteinbettungen
  12. nmtpytorch: Framework für neuronale maschinelle Übersetzung in PyTorch.
  13. pytorch-wavenet: Eine Implementierung von WaveNet mit schneller Generierung
  14. Tacotron-pytorch: Tacotron: Auf dem Weg zur End-to-End-Sprachsynthese.
  15. AllenNLP: Eine Open-Source-NLP-Forschungsbibliothek, die auf PyTorch basiert.
  16. PyTorch-NLP: Textdienstprogramme und Datensätze für PyTorch pytorchnlp.readthedocs.io
  17. quick-nlp: Pytorch NLP-Bibliothek basierend auf FastAI.
  18. TTS: Deep Learning für Text2Speech
  19. LASER: Sprachunabhängige Satzdarstellungen
  20. pyannote-audio: Neuronale Bausteine ​​zur Sprecherdiagnose: Sprachaktivitätserkennung, Sprecherwechselerkennung, Sprechereinbettung
  21. gensen: Lernen universeller verteilter Satzdarstellungen durch groß angelegtes Multitasking-Lernen.
  22. Translate: Übersetzen – eine PyTorch-Sprachbibliothek.
  23. espnet: End-to-End-Sprachverarbeitungs-Toolkit espnet.github.io/espnet
  24. pythia: Eine Software-Suite für die visuelle Beantwortung von Fragen
  25. UnsupervisedMT: Phrasenbasierte und neuronale unbeaufsichtigte maschinelle Übersetzung.
  26. jiant: Das Lern-Toolkit für die Satzdarstellung von jiant.
  27. BERT-PyTorch: Pytorch-Implementierung des BERT 2018 von Google AI mit einfacher Annotation
  28. InferSent: Satzeinbettungen (InferSent) und Trainingscode für NLI.
  29. uis-rnn: Dies ist die Bibliothek für den Unbounded Interleaved-State Recurrent Neural Network (UIS-RNN)-Algorithmus, entsprechend dem Artikel Fully Supervised Speaker Diarization. arxiv.org/abs/1810.04719
  30. Flair: Ein sehr einfaches Framework für modernste Natural Language Processing (NLP)
  31. pytext: Ein Framework zur Modellierung natürlicher Sprache basierend auf PyTorch fb.me/pytextdocs
  32. voicefilter: Inoffizielle PyTorch-Implementierung des VoiceFilter-Systems von Google AI http://swpark.me/voicefilter
  33. BERT-NER: Pytorch-Named-Entity-Recognition-with-BERT.
  34. transfer-nlp: NLP-Bibliothek für flexible Forschung und Entwicklung
  35. texar-pytorch: Toolkit für maschinelles Lernen und Textgenerierung, in PyTorch texar.io
  36. pytorch-kaldi: pytorch-kaldi ist ein Projekt zur Entwicklung hochmoderner DNN/RNN-Hybrid-Spracherkennungssysteme. Der DNN-Teil wird von Pytorch verwaltet, während die Merkmalsextraktion, die Beschriftungsberechnung und die Dekodierung mit dem Kaldi-Toolkit durchgeführt werden.
  37. NeMo: Neural Modules: ein Toolkit für Konversations-KI nvidia.github.io/NeMo
  38. pytorch-struct: Eine Bibliothek vektorisierter Implementierungen der wichtigsten strukturierten Vorhersagealgorithmen (HMM, Dep Trees, CKY, ...)
  39. Espresso: Espresso: Ein schnelles End-to-End-Toolkit zur neuronalen Spracherkennung
  40. Transformers: Huggingface Transformers: Modernste Verarbeitung natürlicher Sprache für TensorFlow 2.0 und PyTorch. Huggingface.co/transformers
  41. reformer-pytorch: Reformer, der effiziente Transformator in Pytorch
  42. Torch-Metriken: Metriken für die Modellbewertung in Pytorch
  43. SpeechBrain: SpeechBrain ist ein Open-Source-All-in-One-Sprach-Toolkit auf Basis von PyTorch.
  44. Backprop: Backprop erleichtert die Verwendung, Feinabstimmung und Bereitstellung modernster ML-Modelle.

Lebenslauf:

  1. Pytorch Vision: Datensätze, Transformationen und Modelle speziell für Computer Vision.
  2. pt-styletransfer: Neuronale Stilübertragung als Klasse in PyTorch.
  3. OpenFacePytorch: PyTorch-Modul zur Verwendung des nn4.small2.v1.t7-Modells von OpenFace
  4. img_classification_pk_pytorch: Vergleichen Sie Ihre Bildklassifizierungsmodelle schnell mit den modernsten Modellen (wie DenseNet, ResNet, ...)
  5. SparseConvNet: Submanifold spärliche Faltungsnetzwerke.
  6. Convolution_LSTM_pytorch: Ein mehrschichtiges Faltungs-LSTM-Modul
  7. Gesichtsausrichtung: 2D- und 3D-Gesichtsausrichtungsbibliothek, erstellt mit Pytorch adrianbulat.com
  8. pytorch-semantische Segmentierung: PyTorch für semantische Segmentierung.
  9. RoIAlign.pytorch: Dies ist eine PyTorch-Version von RoIAlign. Diese Implementierung basiert auf crop_and_resize und unterstützt sowohl vorwärts als auch rückwärts auf CPU und GPU.
  10. pytorch-cnn-finetune: Feinabstimmung vorab trainierter Faltungs-Neuronaler Netze mit PyTorch.
  11. detectorch: Detectorch – Detectron für PyTorch
  12. Augmentor: Bilderweiterungsbibliothek in Python für maschinelles Lernen. http://augmentor.readthedocs.io
  13. s2cnn: Diese Bibliothek enthält eine PyTorch-Implementierung der SO(3)-äquivarianten CNNs für sphärische Signale (z. B. omnidirektionale Kameras, Signale auf dem Globus).
  14. TorchCV: Ein PyTorch-basiertes Framework für Deep Learning in der Computer Vision.
  15. maskrcnn-benchmark: Schnelle, modulare Referenzimplementierung von Instanzsegmentierungs- und Objekterkennungsalgorithmen in PyTorch.
  16. image-classification-mobile: Sammlung von Klassifizierungsmodellen, die auf dem ImageNet-1K vorab trainiert wurden.
  17. Medicaltorch: Ein medizinisches Bildgebungs-Framework für Pytorch http://medicaltorch.readthedocs.io
  18. Albumentationen: Schnelle Bilderweiterungsbibliothek.
  19. kornia: Differenzierbare Computer-Vision-Bibliothek.
  20. pytorch-text-recognition: Texterkennungskombination – CRAFT + CRNN.
  21. facenet-pytorch: Vorab trainierte Pytorch-Modelle zur Gesichtserkennung und -erkennung, portiert von davidsandberg/facenet.
  22. Detectron2: Detectron2 ist FAIRs Forschungsplattform der nächsten Generation zur Objekterkennung und -segmentierung.
  23. vedaseg: Ein semantisches Segmentierungsframework von Pyotrch
  24. ClassyVision: Ein End-to-End-PyTorch-Framework für die Bild- und Videoklassifizierung.
  25. detector:Computer Vision in Python mit weniger als 10 Codezeilen
  26. pytorch3d: PyTorch3D ist FAIRs Bibliothek wiederverwendbarer Komponenten für Deep Learning mit 3D-Daten pytorch3d.org
  27. MMDetection: MMDetection ist eine Open-Source-Toolbox zur Objekterkennung, Teil des OpenMMLab-Projekts.
  28. neural-dream: Eine PyTorch-Implementierung des DeepDream-Algorithmus. Erzeugt traumhafte halluzinogene Bilder.
  29. FlashTorch: Visualisierungs-Toolkit für neuronale Netze in PyTorch!
  30. Lucent: Tensorflow und OpenAI Claritys Lucid für PyTorch angepasst.
  31. MMDetection3D: MMDetection3D ist OpenMMLabs Plattform der nächsten Generation für die allgemeine 3D-Objekterkennung, ein Teil des OpenMMLab-Projekts.
  32. MMSegmentation: MMSegmentation ist eine semantische Segmentierungs-Toolbox und ein Benchmark, ein Teil des OpenMMLab-Projekts.
  33. MMEditing: MMEditing ist eine Bild- und Videobearbeitungs-Toolbox, Teil des OpenMMLab-Projekts.
  34. MMAction2: MMAction2 ist OpenMMLabs Aktionsverständnis-Toolbox und Benchmark der nächsten Generation, ein Teil des OpenMMLab-Projekts.
  35. MMPose: MMPose ist eine Toolbox und ein Benchmark zur Posenschätzung, Teil des OpenMMLab-Projekts.
  36. lightly – Lightly ist ein Computer-Vision-Framework für selbstüberwachtes Lernen.
  37. RoMa: eine leichte und effiziente Bibliothek für den Umgang mit 3D-Rotationen.

Probabilistische/generative Bibliotheken:

  1. ptstat: Probabilistische Programmierung und statistische Inferenz in PyTorch
  2. pyro: Tiefgreifende universelle probabilistische Programmierung mit Python und PyTorch http://pyro.ai
  3. probtorch: Probabilistic Torch ist eine Bibliothek für tiefe generative Modelle, die PyTorch erweitert.
  4. Paysage: Unüberwachtes Lernen und generative Modelle in Python/Pytorch.
  5. pyvarinf: Python-Paket, das die Verwendung von Bayesian Deep Learning-Methoden mit Variational Inference für PyTorch erleichtert.
  6. pyprob: Eine PyTorch-basierte Bibliothek für probabilistische Programmierung und Inferenzkompilierung.
  7. mia: Eine Bibliothek zum Ausführen von Mitgliedschaftsinferenzangriffen gegen ML-Modelle.
  8. pro_gan_pytorch: ProGAN-Paket implementiert als Erweiterung von PyTorch nn.Module.
  9. botorch: Bayesianische Optimierung in PyTorch

Andere Bibliotheken:

  1. Pytorch-Extras: Einige zusätzliche Funktionen für Pytorch.
  2. Funktionszoo: PyTorch verfügt im Gegensatz zu Lua Torch über Autograd im Kern, sodass die Verwendung einer modularen Struktur von Torch.nn-Modulen nicht erforderlich ist. Man kann benötigte Variablen einfach zuweisen und eine Funktion schreiben, die sie verwendet, was manchmal praktischer ist. Dieses Repo enthält Modelldefinitionen auf diese funktionale Weise, mit vorab trainierten Gewichten für einige Modelle.
  3. Torch-Sampling: Dieses Paket bietet eine Reihe von Transformationen und Datenstrukturen zum Sampling von In-Memory- oder Out-of-Memory-Daten.
  4. Torchcraft-py: Python-Wrapper für TorchCraft, eine Brücke zwischen Torch und StarCraft für die KI-Forschung.
  5. aorun: Aorun beabsichtigt, ein Keras mit PyTorch als Backend zu sein.
  6. Logger: Ein einfacher Logger für Experimente.
  7. PyTorch-docset: PyTorch-Docset! Verwendung mit Dash, Zeal, Velocity oder LovelyDocs.
  8. Convert_torch_to_pytorch: Konvertieren Sie das Torch-T7-Modell in ein Pytorch-Modell und eine Quelle.
  9. pretrained-models.pytorch: Das Ziel dieses Repos ist es, dabei zu helfen, die Ergebnisse von Forschungsarbeiten zu reproduzieren.
  10. pytorch_fft: PyTorch-Wrapper für FFTs
  11. caffe_to_torch_to_pytorch
  12. pytorch-extension: Dies ist eine CUDA-Erweiterung für PyTorch, die das Hadamard-Produkt zweier Tensoren berechnet.
  13. tensorboard-pytorch: Dieses Modul speichert PyTorch-Tensoren im Tensorboard-Format zur Überprüfung. Unterstützt derzeit Skalar-, Bild-, Audio- und Histogrammfunktionen im Tensorboard.
  14. gpytorch: GPyTorch ist eine Gaußsche Prozessbibliothek, die mit PyTorch implementiert wird. Es wurde für die einfache Erstellung flexibler und modularer Gaußscher Prozessmodelle entwickelt, sodass Sie für die Verwendung von GPs kein Experte sein müssen.
  15. Spotlight: Deep-Empfehlungsmodelle mit PyTorch.
  16. pytorch-cns: Komprimierte Netzwerksuche mit PyTorch
  17. pyinn: CuPy fusionierte PyTorch-Operationen für neuronale Netze
  18. inferno: Eine Utility-Bibliothek rund um PyTorch
  19. pytorch-fitmodule: Supereinfache Anpassungsmethode für PyTorch-Module
  20. inferno-sklearn: Eine Scikit-Learn-kompatible neuronale Netzwerkbibliothek, die Pytorch umschließt.
  21. pytorch-caffe-darknet-convert: Konvertieren zwischen Pytorch, Caffe Prototxt/Weights und Darknet CFG/Weights
  22. pytorch2caffe: PyTorch-Modell in Caffemodel konvertieren
  23. pytorch-tools: Tools für PyTorch
  24. sru: RNNs so schnell trainieren wie CNNs (arxiv.org/abs/1709.02755)
  25. Torch2coreml: Torch7 -> CoreML
  26. PyTorch-Encoding: PyTorch Deep Texture Encoding Network http://hangzh.com/PyTorch-Encoding
  27. pytorch-ctc: PyTorch-CTC ist eine Implementierung der CTC-Beam-Search-Dekodierung (Connectionist Temporal Classification) für PyTorch. C++-Code wurde großzügig von TensorFlow übernommen und mit einigen Verbesserungen versehen, um die Flexibilität zu erhöhen.
  28. Candlegp: Gaußsche Prozesse in Pytorch.
  29. dpwa: Verteiltes Lernen durch paarweise Mittelung.
  30. dni-pytorch: Entkoppelte neuronale Schnittstellen unter Verwendung synthetischer Gradienten für PyTorch.
  31. Skorch: Eine mit Scikit-Learn kompatible Bibliothek für neuronale Netzwerke, die Pytorch umschließt
  32. ignite: Ignite ist eine High-Level-Bibliothek, die beim Training neuronaler Netze in PyTorch hilft.
  33. Arnold: Arnold – DOOM-Agent
  34. pytorch-mcn: Konvertieren Sie Modelle von MatConvNet nach PyTorch
  35. simple-faster-rcnn-pytorch: Eine vereinfachte Implementierung von Faster R-CNN mit wettbewerbsfähiger Leistung.
  36. generative_zoo: generative_zoo ist ein Repository, das funktionierende Implementierungen einiger generativer Modelle in PyTorch bereitstellt.
  37. pytorchviz: Ein kleines Paket zum Erstellen von Visualisierungen von PyTorch-Ausführungsdiagrammen.
  38. cogitare: Cogitare – Ein modernes, schnelles und modulares Deep-Learning- und Machine-Learning-Framework in Python.
  39. pydlt: PyTorch-basierte Deep Learning Toolbox
  40. semi-supervised-pytorch: Implementierungen verschiedener VAE-basierter semi-überwachter und generativer Modelle in PyTorch.
  41. pytorch_cluster: PyTorch-Erweiterungsbibliothek für optimierte Graph-Cluster-Algorithmen.
  42. neural-assembly-compiler: Ein neuronaler Assembler-Compiler für pyTorch basierend auf adaptiver neuronaler Kompilierung.
  43. caffemodel2pytorch: Caffe-Modelle in PyTorch konvertieren.
  44. extension-cpp: C++-Erweiterungen in PyTorch
  45. pytoune: Ein Keras-ähnliches Framework und Dienstprogramme für PyTorch
  46. jetson-reinforcement: Deep-Reinforcement-Learning-Bibliotheken für NVIDIA Jetson TX1/TX2 mit PyTorch, OpenAI Gym und Gazebo-Robotiksimulator.
  47. Matchbox: Schreiben Sie PyTorch-Code auf der Ebene einzelner Beispiele und führen Sie ihn dann effizient auf Minibatches aus.
  48. Torch-Two-Sample: Eine PyTorch-Bibliothek für Tests mit zwei Stichproben
  49. pytorch-summary: Modellzusammenfassung in PyTorch ähnlich zu model.summary() in Keras
  50. mpl.pytorch: Pytorch-Implementierung von MaxPoolingLoss.
  51. scVI-dev: Entwicklungszweig des scVI-Projekts in PyTorch
  52. apex: Eine experimentelle PyTorch-Erweiterung (wird zu einem späteren Zeitpunkt veraltet sein)
  53. ELF: ELF: eine Plattform für Spieleforschung.
  54. Torchlite: Eine High-Level-Bibliothek auf (nicht nur) Pytorch
  55. joint-vae: Pytorch-Implementierung von JointVAE, einem Framework zur Entwirrung kontinuierlicher und diskreter Variationsfaktoren star2
  56. SLM-Lab: Modulares Deep-Reinforcement-Learning-Framework in PyTorch.
  57. bindsnet: Ein Python-Paket, das zur Simulation von Spiking Neural Networks (SNNs) auf CPUs oder GPUs mit PyTorch verwendet wird
  58. pro_gan_pytorch: ProGAN-Paket implementiert als Erweiterung von PyTorch nn.Module
  59. pytorch_geometrische: Geometrische Deep-Learning-Erweiterungsbibliothek für PyTorch
  60. Torchplus: Implementiert den +-Operator auf PyTorch-Modulen und gibt Sequenzen zurück.
  61. lagom: lagom: Eine leichte PyTorch-Infrastruktur zum schnellen Prototypen von Verstärkungslernalgorithmen.
  62. Torchbearer: Torchbearer: Eine Modell-Trainingsbibliothek für Forscher, die PyTorch verwenden.
  63. pytorch-maml-rl: Reinforcement Learning mit modellunabhängigem Meta-Learning in Pytorch.
  64. NALU: Grundlegende Pytorch-Implementierung von NAC/NALU aus dem Artikel Neural Arithmetic Logic Units von trask et.al arxiv.org/pdf/1808.00508.pdf
  65. QuCumber: Rekonstruktion der Vielteilchenwellenfunktion eines neuronalen Netzwerks
  66. Magnet: Deep-Learning-Projekte, die sich selbst aufbauen http://magnet-dl.readthedocs.io/
  67. opencv_transforms: OpenCV-Implementierung der Bilderweiterungen von Torchvision
  68. fastai: Die Deep-Learning-Bibliothek, Lektionen und Tutorials von fast.ai
  69. pytorch-dense-correspondence: Code für „Dense Object Nets: Lernen dichter visueller Objektdeskriptoren durch und für robotische Manipulation“ arxiv.org/pdf/1806.08756.pdf
  70. colorization-pytorch: PyTorch-Neuimplementierung der interaktiven Deep Colorization richzhang.github.io/ideepcolor
  71. beauty-net: Eine einfache, flexible und erweiterbare Vorlage für PyTorch. Es ist wunderschön.
  72. OpenChem: OpenChem: Deep-Learning-Toolkit für Computational Chemistry und Drug Design Research mariewelt.github.io/OpenChem
  73. Torchani: Genaues neuronales Netzwerkpotenzial auf PyTorch aiqm.github.io/torchani
  74. PyTorch-LBFGS: Eine PyTorch-Implementierung von L-BFGS.
  75. gpytorch: Eine hocheffiziente und modulare Implementierung von Gaußschen Prozessen in PyTorch.
  76. Hessisch: Hessisch in Pytorch.
  77. vel: Geschwindigkeit in der Deep-Learning-Forschung.
  78. nonechucks: Überspringen Sie fehlerhafte Elemente in Ihrem PyTorch DataLoader, verwenden Sie Transformationen als Filter und mehr!
  79. Torchstat: Modellanalysator in PyTorch.
  80. QNNPACK: Quantized Neural Network PACKage – für Mobilgeräte optimierte Implementierung quantisierter neuronaler Netzbetreiber.
  81. Torchdiffeq: Differenzierbare ODE-Löser mit vollständiger GPU-Unterstützung und O(1)-Speicher-Backpropagation.
  82. Redner: Ein differenzierbarer Monte-Carlo-Pfad-Tracer
  83. pixyz: eine Bibliothek zur prägnanteren, intuitiveren und erweiterbaren Entwicklung tiefer generativer Modelle.
  84. euclidesdb: Eine Datenbank zur Einbettung von Funktionen für maschinelles Lernen mit mehreren Modellen http://euclidesdb.readthedocs.io
  85. pytorch2keras: Konvertieren Sie das dynamische PyTorch-Diagramm in ein Keras-Modell.
  86. Salat: Halbüberwachtes Lernen und Domänenanpassung.
  87. netharn: Parametrisierte Anpassungs- und Vorhersagesysteme für Pytorch.
  88. dgl: Python-Paket, das entwickelt wurde, um Deep Learning auf Graphen zu erleichtern, zusätzlich zu bestehenden DL-Frameworks. http://dgl.ai.
  89. gandissect: Pytorch-basierte Tools zur Visualisierung und zum Verständnis der Neuronen eines GAN. gandissect.csail.mit.edu
  90. delira: Leichtes Framework für schnelles Prototyping und Training tiefer neuronaler Netze in der medizinischen Bildgebung delira.rtfd.io
  91. Pilz: Python-Bibliothek für Reinforcement Learning-Experimente.
  92. Xlearn: Lernbibliothek übertragen
  93. geoopt: Riemannsche adaptive Optimierungsmethoden mit Pytorch Optim
  94. Veganer: Eine Bibliothek, die verschiedene vorhandene GANs in PyTorch bereitstellt.
  95. Fackelgeometrie: TGM: PyTorch-Geometrie
  96. AdverTorch: Eine Toolbox für die Forschung zur gegnerischen Robustheit (Angriff/Verteidigung/Training).
  97. AdaBound: Ein Optimierer, der so schnell wie Adam und so gut wie SGD.a trainiert
  98. fenchel-young-losses: Wahrscheinlichkeitsklassifizierung in PyTorch/TensorFlow/scikit-learn mit Fenchel-Young-Verlusten
  99. pytorch-OpCounter: Zählen Sie die FLOPs Ihres PyTorch-Modells.
  100. Tor10: Eine generische Tensor-Netzwerk-Bibliothek, die für die Quantensimulation entwickelt wurde und auf dem Pytorch basiert.
  101. Catalyst: Hochwertige Dienstprogramme für die PyTorch DL- und RL-Forschung. Bei der Entwicklung lag der Schwerpunkt auf Reproduzierbarkeit, schnellem Experimentieren und der Wiederverwendung von Code/Ideen. In der Lage sein, etwas Neues zu erforschen/entwickeln, anstatt eine weitere reguläre Zugschleife zu schreiben.
  102. Axe: Adaptive Experimentierplattform
  103. pywick: Hochwertige, batteriebetriebene Trainingsbibliothek für neuronale Netze für Pytorch
  104. Torchgpipe: Eine GPipe-Implementierung in PyTorch Torchgpipe.readthedocs.io
  105. Hub: Pytorch Hub ist ein vorab trainiertes Modell-Repository, das die Reproduzierbarkeit der Forschung erleichtern soll.
  106. pytorch-lightning: Schnelles Forschungsframework für Pytorch. Die Forscherversion von Keras.
  107. Tor10: Eine generische Tensor-Netzwerk-Bibliothek, die für die Quantensimulation entwickelt wurde und auf dem Pytorch basiert.
  108. tensorwatch: Debugging, Überwachung und Visualisierung für Deep Learning und Reinforcement Learning von Microsoft Research.
  109. Wavetorch: Numerische Lösung und Rückausbreitung durch die Wellengleichung arxiv.org/abs/1904.12831
  110. diffdist: diffdist ist eine Python-Bibliothek für Pytorch. Es erweitert die Standardfunktionalität von Torch.autograd und bietet Unterstützung für differenzierbare Kommunikation zwischen Prozessen.
  111. Torchprof: Eine minimale Abhängigkeitsbibliothek für die schichtweise Profilierung von Pytorch-Modellen.
  112. osqpth: Die differenzierbare OSQP-Löserschicht für PyTorch.
  113. mctorch: Eine vielfältige Optimierungsbibliothek für Deep Learning.
  114. pytorch-hessian-eigenthings: Effiziente PyTorch Hessische Eigenzerlegung unter Verwendung des Hessischen Vektorprodukts und stochastischer Potenziteration.
  115. MinkowskiEngine: Minkowski Engine ist eine Auto-Diff-Bibliothek für verallgemeinerte dünn besetzte Faltungen und hochdimensionale dünn besetzte Tensoren.
  116. pytorch-cpp-rl: PyTorch C++ Reinforcement Learning
  117. pytorch-toolbelt: PyTorch-Erweiterungen für schnelles F&E-Prototyping und Kaggle-Farming
  118. argus-tensor-stream: Eine Bibliothek für die Echtzeit-Videostream-Dekodierung in den CUDA-Speicher tensorstream.argus-ai.com
  119. Macarico: Lernen, in Pytorch zu suchen
  120. rlpyt: Reinforcement Learning in PyTorch
  121. pywarm: Eine sauberere Möglichkeit, neuronale Netze für PyTorch aufzubauen. blue-season.github.io/pywarm
  122. learn2learn: PyTorch Meta-Learning Framework für Forscher http://learn2learn.net
  123. Torchbeast: Eine PyTorch-Plattform für verteiltes RL
  124. höher: höher ist eine Pytorch-Bibliothek, die es Benutzern ermöglicht, Gradienten höherer Ordnung über Verluste zu erhalten, die sich über Trainingsschleifen statt über einzelne Trainingsschritte erstrecken.
  125. Torchelie: Torchélie ist eine Reihe von Dienstprogrammfunktionen, Ebenen, Verlusten, Modellen, Trainern und anderen Dingen für PyTorch. Torchelie.readthedocs.org
  126. CrypTen: CrypTen ist ein mit PyTorch geschriebenes Framework für maschinelles Lernen zur Wahrung der Privatsphäre, das es Forschern und Entwicklern ermöglicht, Modelle mithilfe verschlüsselter Daten zu trainieren. CrypTen unterstützt derzeit sichere Mehrparteienberechnung als Verschlüsselungsmechanismus.
  127. cvxpylayers: cvxpylayers ist eine Python-Bibliothek zum Erstellen differenzierbarer konvexer Optimierungsschichten in PyTorch
  128. RepDistiller: Kontrastive Repräsentationsdestillation (CRD) und Benchmark aktueller Wissensdestillationsmethoden
  129. Kaolin: PyTorch-Bibliothek zur Beschleunigung der 3D-Deep-Learning-Forschung
  130. PySNN: Effizientes Spiking Neural Network-Framework, basierend auf PyTorch zur GPU-Beschleunigung.
  131. sparktorch: Pytorch-Modelle auf Apache Spark trainieren und ausführen.
  132. pytorch-metric-learning: Der einfachste Weg, metrisches Lernen in Ihrer Anwendung zu nutzen. Modular, flexibel und erweiterbar. Geschrieben in PyTorch.
  133. autonome-learning-library: Eine PyTorch-Bibliothek zum Erstellen von Deep-Reinforcement-Learning-Agenten.
  134. flambe: Ein ML-Framework zur Beschleunigung der Forschung und ihres Weges zur Produktion. flambe.ai
  135. pytorch-optimizer: Sammlungen moderner Optimierungsalgorithmen für PyTorch, einschließlich: AccSGD, AdaBound, AdaMod, DiffGrad, Lamb, RAdam, RAdam, Yogi.
  136. PyTorch-VAE: Eine Sammlung Variationaler Autoencoder (VAE) in PyTorch.
  137. ray: Ein schnelles und einfaches Framework zum Erstellen und Ausführen verteilter Anwendungen. Ray ist mit RLlib, einer skalierbaren Bibliothek für verstärktes Lernen, und Tune, einer skalierbaren Hyperparameter-Tuning-Bibliothek, ausgestattet. ray.io
  138. Pytorch Geometric Temporal: Eine zeitliche Erweiterungsbibliothek für PyTorch Geometric
  139. Poutyne: Ein Keras-ähnliches Framework für PyTorch, das einen Großteil des Boilerplating-Codes verarbeitet, der zum Trainieren neuronaler Netze erforderlich ist.
  140. Pytorch-Toolbox: Dies ist ein Toolbox-Projekt für Pytorch. Ziel ist es, Ihnen das Schreiben von Pytorch-Code einfacher, lesbarer und prägnanter zu machen.
  141. Pytorch-Beitrag: Es enthält überprüfte Implementierungen von Ideen aus aktuellen Veröffentlichungen zum maschinellen Lernen.
  142. EfficientNet PyTorch: Es enthält eine Op-for-Op-PyTorch-Neuimplementierung von EfficientNet sowie vorab trainierte Modelle und Beispiele.
  143. PyTorch/XLA: PyTorch/XLA ist ein Python-Paket, das den XLA-Deep-Learning-Compiler verwendet, um das PyTorch-Deep-Learning-Framework und Cloud-TPUs zu verbinden.
  144. webdataset: WebDataset ist eine PyTorch Dataset (IterableDataset)-Implementierung, die einen effizienten Zugriff auf in POSIX-TAR-Archiven gespeicherte Datensätze bietet.
  145. volksdep: volksdep ist eine Open-Source-Toolbox für die Bereitstellung und Beschleunigung von PyTorch-, Onnx- und Tensorflow-Modellen mit TensorRT.
  146. PyTorch-StudioGAN: StudioGAN ist eine Pytorch-Bibliothek, die Implementierungen repräsentativer Generative Adversarial Networks (GANs) für die bedingte/unbedingte Bilderzeugung bereitstellt. Ziel von StudioGAN ist es, eine identische Spielwiese für moderne GANs zu bieten, sodass Forscher des maschinellen Lernens eine neue Idee problemlos vergleichen und analysieren können.
  147. Torchdrift: Drifterkennungsbibliothek
  148. beschleunigen: Eine einfache Möglichkeit, PyTorch-Modelle mit Multi-GPU, TPU und gemischter Präzision zu trainieren und zu verwenden
  149. Lightning-Transformers: Flexible Schnittstelle für Hochleistungsforschung mit SOTA Transformers unter Nutzung von Pytorch Lightning, Transformers und Hydra.
  150. Flower Ein einheitlicher Ansatz für föderiertes Lernen, Analyse und Bewertung. Es ermöglicht die Zusammenführung jeglicher Machine-Learning-Workloads.
  151. Lightning-Flash: Flash ist eine Aufgabensammlung für schnelles Prototyping, Baselining und Feinabstimmung skalierbarer Deep-Learning-Modelle, die auf PyTorch Lightning basiert.
  152. Pytorch Geometric Signed Directed: Eine signierte und gerichtete Erweiterungsbibliothek für PyTorch Geometric.
  153. Koila: Ein einfacher Wrapper für Pytorch, der CUDA-Speicherprobleme verhindert.
  154. Renate: Eine Bibliothek für praxisnahes, kontinuierliches Lernen.

Tutorials, Bücher und Beispiele

  1. Praktisches Pytorch : Tutorials zur Erläuterung verschiedener RNN-Modelle
  2. DeepLearningForNLPInPytorch: Ein IPython Notebook-Tutorial zum Thema Deep Learning mit Schwerpunkt auf der Verarbeitung natürlicher Sprache.
  3. Pytorch-Tutorial: Tutorial für Forscher zum Erlernen von Deep Learning mit Pytorch.
  4. Pytorch-Übungen: Sammlung von Pytorch-Übungen.
  5. Pytorch-Tutorials: Verschiedene Pytorch-Tutorials.
  6. Pytorch-Beispiele: Ein Repository mit Beispielen für die Verwendung von Pytorch
  7. Pytorch-Praxis: Einige Beispielskripte für Pytorch.
  8. Pytorch-Mini-Tutorials: Minimale Tutorials für PyTorch, angepasst an Alec Radfords Theano-Tutorials.
  9. Pytorch-Textklassifizierung: Eine einfache Implementierung der CNN-basierten Textklassifizierung in Pytorch
  10. Katzen vs. Hunde: Beispiel für Netzwerk-Feinabstimmung in Pytorch für den Kaggle-Wettbewerb Dogs vs. Cats Redux: Kernels Edition. Derzeit #27 (0,05074) in der Bestenliste.
  11. convnet: Dies ist ein vollständiges Trainingsbeispiel für Deep Convolutional Networks für verschiedene Datensätze (ImageNet, Cifar10, Cifar100, MNIST).
  12. pytorch-generative-adversarial-networks: einfaches generatives adversarial network (GAN) mit PyTorch.
  13. Pytorch-Container: Dieses Repository soll ehemaligen Torchies einen reibungsloseren Übergang in die „Containerlose“ Welt von PyTorch erleichtern, indem es eine Liste von PyTorch-Implementierungen von Torch Table Layers bereitstellt.
  14. T-SNE in Pytorch: T-SNE-Experimente in Pytorch
  15. AAE_pytorch: Adversarial Autoencoder (mit Pytorch).
  16. Kind_PyTorch_Tutorial: Kind PyTorch Tutorial für Anfänger.
  17. pytorch-poetry-gen: ein char-RNN basierend auf pytorch.
  18. pytorch-REINFORCE: PyTorch-Implementierung von REINFORCE. Dieses Repo unterstützt sowohl kontinuierliche als auch diskrete Umgebungen im OpenAI-Fitnessstudio.
  19. PyTorch-Tutorial : Erstellen Sie einfach und schnell Ihr neuronales Netzwerk https://morvanzhou.github.io/tutorials/
  20. pytorch-intro: Ein paar Skripte zur Veranschaulichung, wie man CNNs und RNNs in PyTorch erstellt
  21. Pytorch-Klassifizierung: Ein einheitliches Framework für die Bildklassifizierungsaufgabe auf CIFAR-10/100 und ImageNet.
  22. pytorch_notebooks – hardmaru: Zufällige Tutorials, erstellt in NumPy und PyTorch.
  23. pytorch_tutoria-quick: Kurze Einführung und Tutorial zu PyTorch. Zielgruppe sind Forscher in den Bereichen Computer Vision, Grafik und maschinelles Lernen, die gerne ein neues Framework ausprobieren möchten.
  24. Pytorch_fine_tuning_Tutorial: Ein kurzes Tutorial zur Feinabstimmung oder zum Transferlernen in PyTorch.
  25. pytorch_exercises: Pytorch-Übungen
  26. Verkehrszeichenerkennung: Beispiel für Nyu-CV-Herbst 2017
  27. mss_pytorch: Singende Stimmtrennung über wiederkehrende Inferenz und Skip-Filtering-Verbindungen – PyTorch-Implementierung. Demo: js-mim.github.io/mss_pytorch
  28. DeepNLP-models-Pytorch Pytorch-Implementierungen verschiedener Deep NLP-Modelle in cs-224n (Stanford Univ: NLP mit Deep Learning)
  29. Mila-Einführungstutorials: Verschiedene Tutorials zur Begrüßung neuer Studierender bei MILA.
  30. pytorch.rl.learning: zum Erlernen des verstärkenden Lernens mit PyTorch.
  31. minimal-seq2seq: Minimales Seq2Seq-Modell mit Berücksichtigung der neuronalen maschinellen Übersetzung in PyTorch
  32. tensorly-notebooks: Tensor-Methoden in Python mit TensorLy tensorly.github.io/dev
  33. pytorch_bits: Beispiele für Zeitreihenvorhersagen.
  34. Skip-Thoughts: Eine Implementierung von Skip-Thought-Vektoren in PyTorch.
  35. video-caption-pytorch: Pytorch-Code für Videountertitel.
  36. Capsule-Network-Tutorial: Pytorch leicht verständliches Capsule Network-Tutorial.
  37. code-of-learn-deep-learning-with-pytorch: Dies ist der Code des Buches „Learn Deep Learning with PyTorch“ item.jd.com/17915495606.html
  38. RL-Adventure: Pytorch leicht verständliches Schritt-für-Schritt-Deep-Q-Learning-Tutorial mit sauber lesbarem Code.
  39. beschleunigt_dl_pytorch: Beschleunigtes Deep Learning mit PyTorch beim Jupyter Day Atlanta II.
  40. RL-Adventure-2: PyTorch4-Tutorial von: Schauspielerkritiker / proximale Richtlinienoptimierung / acer / ddpg / Zwillingsduell ddpg / Soft-Actor-Kritiker / generatives gegnerisches Nachahmungslernen / Rückblick-Erfahrungswiederholung
  41. Generative Adversarial Networks (GANs) in 50 Codezeilen (PyTorch)
  42. Adversarial-Autoencoder-mit-Pytorch
  43. Transferlernen mit Pytorch
  44. So implementieren Sie einen Yolo-Objektdetektor in Pytorch
  45. pytorch-for-recommenders-101
  46. Pytorch-für-Numpy-Benutzer
  47. PyTorch-Tutorial: PyTorch-Tutorials auf Chinesisch.
  48. grokking-pytorch: Per Anhalter durch PyTorch
  49. PyTorch-Deep-Learning-Minikurs: Minikurs in Deep Learning mit PyTorch.
  50. pytorch-custom-dataset-examples: Einige Beispiele für benutzerdefinierte Datensätze für PyTorch
  51. Multiplikatives LSTM für sequenzbasierte Empfehlungsgeber
  52. deeplearning.ai-pytorch: PyTorch-Implementierungen der Deep Learning-Spezialisierung (deeplearning.ai) von Coursera.
  53. MNIST_Pytorch_python_and_capi: Dies ist ein Beispiel dafür, wie man ein MNIST-Netzwerk in Python trainiert und es in C++ mit Pytorch 1.0 ausführt
  54. Torch_light: Tutorials und Beispiele umfassen Reinforcement Training, NLP, CV
  55. portrain-gan: Taschenlampencode zum Dekodieren (und fast Kodieren) von Latentdaten aus art-DCGANs Portrait GAN.
  56. mri-analysis-pytorch: MRT-Analyse mit PyTorch und MedicalTorch
  57. cifar10-fast: Demonstration des Trainings eines kleinen ResNet auf CIFAR10 auf 94 % Testgenauigkeit in 79 Sekunden, wie in dieser Blogserie beschrieben.
  58. Einführung in Deep Learning mit PyTorch: Ein kostenloser Kurs von Udacity und Facebook mit einer guten Einführung in PyTorch und einem Interview mit Soumith Chintala, einem der ursprünglichen Autoren von PyTorch.
  59. pytorch-sentiment-analysis: Tutorials zu den ersten Schritten mit PyTorch und TorchText für die Sentimentanalyse.
  60. pytorch-image-models: PyTorch-Bildmodelle, Skripte, vorab trainierte Gewichte – (SE)ResNet/ResNeXT, DPN, EfficientNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet und mehr.
  61. CIFAR-ZOO: Pytorch-Implementierung für mehrere CNN-Architekturen und Verbesserung der Methoden mit modernsten Ergebnissen.
  62. d2l-pytorch: Dies ist ein Versuch, den Code des Lehrbuchs Dive into Deep Learning, Berkeley STAT 157 (Frühjahr 2019) in PyTorch zu ändern.
  63. think-in-tensors-writing-in-pytorch: Denken in Tensoren, Schreiben in PyTorch (eine praktische Einführung in Deep Learning).
  64. NER-BERT-pytorch: PyTorch-Lösung für die Erkennung benannter Entitäten unter Verwendung des vorab trainierten BERT-Modells von Google AI.
  65. pytorch-sync-batchnorm-example: So verwenden Sie Cross Replica / Synchronized Batchnorm in Pytorch.
  66. SentimentAnalysis: Neuronales Netzwerk zur Stimmungsanalyse, trainiert durch Feinabstimmung von BERT auf der Stanford Sentiment Treebank, dank der Transformers-Bibliothek von Hugging Face.
  67. pytorch-cpp: C++-Implementierungen von PyTorch-Tutorials für Deep-Learning-Forscher (basierend auf den Python-Tutorials von pytorch-tutorial).
  68. Deep Learning mit PyTorch: Zero to GANs: Interaktive und codierungsorientierte Tutorialreihe zur Einführung in Deep Learning mit PyTorch (Video).
  69. Deep Learning mit PyTorch: Deep Learning mit PyTorch zeigt Ihnen, wie Sie Deep-Learning-Algorithmen mit Python und PyTorch implementieren. Das Buch enthält eine Fallstudie: die Entwicklung eines Algorithmus, der bösartige Lungentumoren mithilfe von CT-Scans erkennen kann.
  70. Serverloses maschinelles Lernen in Aktion mit PyTorch und AWS: Serverloses maschinelles Lernen in Aktion ist ein Leitfaden, wie Sie Ihren experimentellen PyTorch-Code für maschinelles Lernen mithilfe serverloser Funktionen von großen Cloud-Anbietern wie AWS, Azure oder GCP in die Produktion bringen.
  71. LabML NN: Eine Sammlung von PyTorch-Implementierungen neuronaler Netzwerkarchitekturen und -algorithmen mit nebeneinander liegenden Anmerkungen.
  72. Führen Sie Ihr mit Flower verbundenes PyTorch-Beispiel aus: Dieses Beispiel zeigt, wie ein bereits vorhandenes zentralisiertes maschinelles Lernprojekt von PyTorch mit Flower verbunden werden kann. Ein Cifar-10-Datensatz wird zusammen mit einem Convolutional Neural Network (CNN) verwendet.

Papierimplementierungen

  1. google_evolution: Dies implementiert eines der Ergebnisnetzwerke von Large-scale evolution of image classifiers von Esteban Real et al. al.
  2. pyscatwave: Schnelle Streutransformation mit CuPy/PyTorch, lesen Sie den Artikel hier
  3. scalingscattering: Skalierung der Streuungstransformation: Deep Hybrid Networks.
  4. Deep-Auto-Interpunktion: eine Pytorch-Implementierung der zeichenweise erlernten automatischen Interpunktion.
  5. Realtime_Multi-Person_Pose_Estimation: Dies ist eine Pytorch-Version von Realtime_Multi-Person_Pose_Estimation, der Ursprungscode ist hier.
  6. PyTorch-value-iteration-networks: PyTorch-Implementierung des Value Iteration Networks (NIPS '16)-Papiers
  7. pytorch_Highway: Autobahnnetz in Pytorch implementiert.
  8. pytorch_NEG_loss: NEG-Verlust in Pytorch implementiert.
  9. pytorch_RVAE: Wiederkehrender Variations-Autoencoder, der in Pytorch implementierte sequentielle Daten generiert.
  10. pytorch_TDNN: Zeitverzögertes NN in Pytorch implementiert.
  11. eve.pytorch: Eine Implementierung von Eve Optimizer, vorgeschlagen in Imploving Stochastic Gradient Descent with Feedback, Koushik und Hayashi, 2016.
  12. e2e-model-learning: Aufgabenbasiertes End-to-End-Modelllernen.
  13. pix2pix-pytorch: PyTorch-Implementierung von „Image-to-Image Translation Using Conditional Adversarial Networks“.
  14. Single Shot MultiBox Detector: Eine PyTorch-Implementierung des Single Shot MultiBox Detector.
  15. Discogan: Pytorch-Implementierung von "Lernen, Cross-Domänen-Beziehungen zu generativen kontroversen Netzwerken zu entdecken" "
  16. Offizielle Implementierung von Discogan: Offizielle Implementierung von "Lernen, Cross-Domänen-Beziehungen zu generativen kontroversen Netzwerken zu entdecken".
  17. Pytorch-ES: Dies ist eine Pytorch-Implementierung von Evolutionsstrategien.
  18. Pi.
  19. Pytorch-DQN: Deep Q-Learning-Netzwerk in Pytorch.
  20. NeuralTalk2-Pytorch: Bildunterschriftmodell in Pytorch (finanzielles CNN im Zweig mit_finetune)
  21. vnet.pytorch: Eine Pytorch-Implementierung für V-NET: vollständig faltungslose neuronale Netze für die volumetrische Segmentierung des medizinischen Bildes.
  22. Pytorch-FCN: Pytorch-Implementierung vollständig Faltungsnetzwerke.
  23. BIDERESNETS: In Pytorch implementiert CIFAR10/100 implementiert. Diese Implementierung erfordert weniger GPU-Speicher als die offizielle Taschenlampen-Implementierung: https://github.com/szagoruyko/wide-residual-networks.
  24. pytorch_highway_networks: Highway Networks in Pytorch implementiert.
  25. Pytorch-Neue: Pytorch-Implementierung von DeepMinds differenzierbarem neuronalem Computerpapier.
  26. CaptionGen: Generieren Sie Bildunterschriften für ein Bild mit Pytorch.
  27. Animegan: Eine einfache Pytorch -Implementierung generativer kontroverser Netzwerke, die sich auf die Anime -Gesichtszeichnung konzentriert.
  28. CNN-Text-Klassifizierung: Dies ist die Implementierung von Kims Faltungsnetzwerken für Satzklassifizierungspapier in Pytorch.
  29. DeepSpeech2: Implementierung von DeepSpeech2 mit Baidu Warp-CTC. Erstellt ein Netzwerk basierend auf der DeepSpeech2 -Architektur, die mit der CTC -Aktivierungsfunktion trainiert wurde.
  30. SEQ2SEQ: Dieses Repository enthält Implementierungen der Sequence -to -Sequence (SEQ2SQ) -Modelle in Pytorch
  31. Asynchroner Vorteil Schauspieler-Kritik in Pytorch: Dies ist die Pytorch-Implementierung von A3C, wie in asynchronen Methoden zum Tiefenverstärkungslernen beschrieben. Da Pytorch eine einfache Methode zur Steuerung des gemeinsamen Speichers innerhalb von Multiprozess hat, können wir leicht eine asynchrone Methode wie A3C implementieren.
  32. Densenet: Dies ist eine Pytorch-Implementierung der Densenet-BC-Architektur, wie in den dicht verbundenen Faltungsnetzen von G. Huang, Z. Liu, K. Weinberger und L. van der Maaten beschrieben. Diese Implementierung erhält eine CIFAR-10+ -Fehlerrate von 4,77 mit einem 100-Schicht-Densenet-BC mit einer Wachstumsrate von 12. Ihre offizielle Implementierung und die Verbindung zu vielen anderen Implementierungen von Drittanbietern sind im Liuzhuang13/Densenet Repo auf GitHub verfügbar.
  33. Nninit: Gewichtsinitialisierungsschemata für Pytorch nn.moduli. Dies ist ein Port des beliebten Nninit für Torch7 von @kaixhin.
  34. schnellerer RCNN: Dies ist eine Pytorch -Implementierung von schnellerem RCNN. Dieses Projekt basiert hauptsächlich auf Py-Fe-Faste-RCNN- und TFFRCNN.Für Details zu R-CNN Bitte wenden Sie sich an das Papier schneller R-CNN: Auf dem Weg zu Echtzeit-Objekterkennung mit Region Vorschlagsnetzwerken von Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun.
  35. Doomnet: Pytorchs Version von Doom-Net implementiert einige RL-Modelle in der Vizdoom-Umgebung.
  36. Flownet: Pytorch -Implementierung von Flownet von Dosovitskiy et al.
  37. SQEEZENET: Implementierung von Squeezenet in Pytorch, #### Vorbereitete Modelle für CIFAR10 -Daten, um das Modell auf Cifar 10 zu trainieren und auch Blockverbindungen hinzuzufügen.
  38. Wassersestingan: Wassersteing in Pytorch.
  39. OPTNET: Dieses Repository stammt von Brandon Amos und J. Zico Kolter und enthält den Pytorch -Quellcode, um die Experimente in unserem Papier optnet zu reproduzieren: Differenzierbare Optimierung als Schicht in neuronalen Netzwerken.
  40. QP -Solver: Ein schneller und differenzierbarer QP -Solver für Pytorch. Erstellt von Brandon Amos und J. Zico Kolter.
  41. Kontinuierliches tiefes Q-Learning mit modellbasierter Beschleunigung: Neuauflagen von kontinuierlichem Tiefen-Q-Learning mit modellbasiertem Beschleunigung.
  42. Lernen, durch Gradientenabstieg durch Gradientenabstieg zu lernen: Pytorch -Implementierung des Lernens, um durch Gradientenabstieg durch Gradientenabstieg zu lernen.
  43. Fast-Neural-Stil: Das Modell im Umsetzung des schnellen Neural-Stils verwendet die in Wahrnehmungsverlusten für den Echtzeit-Stilübertragung und die Superauflösung sowie die Instanznormalisierung beschriebene Methode.
  44. PytorChneuralstyletransfer: Implementierung des neuronalen Stiltransfers in Pytorch.
  45. Schneller neuronaler Stil für Bildstil Transformation von Pytorch: Schneller neuronaler Stil für Bildstil Transformation von Pytorch.
  46. Transfer
  47. Vin_pytorch_visdom: Pytorch -Implementierung von Wert -Iterationsnetzwerken (VIN): sauber, einfach und modular. Visualisierung in Visom.
  48. Yolo2: yolov2 in pytorch.
  49. Aufmerksamkeitsübertragung: Aufmerksamkeitstransfer in Pytorch, lesen Sie das Papier hier.
  50. SVHNCLASSIFIER: Eine Pytorch-Implementierung der Multi-Digit-Zahlenerkennung von Straßenansichtsbildern unter Verwendung von tiefen nervenfassenden Netzwerken.
  51. Pytorch-Deform-Conv: Pytorch-Implementierung einer deformierbaren Faltung.
  52. Begann pytorch: Pytorch-Implementierung von begonnen: Grenzgleichgewicht generative kontroverse Netzwerke.
  53. Treelstm.pytorch: Tree LSTM -Implementierung in Pytorch.
  54. Alter: Code für Papier "Konverser Generator-Coder-Netzwerke" von Dmitry Ulyanov, Andrea Vedaldi und Victor Lempitsky, die hier zu finden sind
  55. Resnext.pytorch: reproduziert Resnet-V3 (aggregierte Resttransformationen für tiefe neuronale Netzwerke) mit Pytorch.
  56. Pytorch-Rl: Tiefes Verstärkung Lernen mit Pytorch & Visom
  57. Deep-Leafsnap: Leafsnap wurde mit tiefen neuronalen Netzwerken repliziert, um die Genauigkeit im Vergleich zu herkömmlichen Computer-Vision-Methoden zu testen.
  58. Pytorch-Cyclegan-and-Pix2Pix: Pytorch-Implementierung für ungepaarte und gepaarte Bild-zu-Image-Übersetzung.
  59. A3C-Pytorch: Pytorch-Implementierung von asynchronen Akteur-kritischen Algorithmen (A3C) in Pytorch
  60. Pytorch-Value-Operation-Networks: Pytorch-Implementierung von Wert-Iterationsnetzwerken (NIPS 2016 Best Papier)
  61. Pytorch-Transfer: Pytorch-Implementierung des Generativnetzwerks für Multi-Stile für Echtzeitübertragung
  62. Pytorch-Deeplab-Resnet: Pytorch-Deeeplab-Resnet-Model.
  63. pointnet.pytorch: Pytorch -Implementierung für "PointNet: Deep Learning On Point Sets für 3D -Klassifizierung und -Segmentierung" https://arxiv.org/abs/1612.00593
  64. Pytorch-Playground: Basis vorgelagerte Modelle und Datensätze in Pytorch (MNIST, SVHN, CIFAR10, CIFAR100, STL10, Alexnet, VGG16, VGG19, Resnet, Inception, Squeezenet) .
  65. Pytorch-DNC: Neural Turing Machine (NTM) und differenzierbares Neuralcomputer (DNC) mit Pytorch & Visom.
  66. pytorch_image_classifier: minimales, aber praktisches Bildklassifikator -Pipline mit Pytorch, Finetune auf ResNet18, 99% Genauigkeit für eigene kleine Datensätze.
  67. MNIST-SVHN-Transfer: Pytorch-Implementierung von Cyclegan und SGAN für die Domänenübertragung (minimal).
  68. Pytorch-Yolo2: Pytorch-Yolo2
  69. DNI: Implementieren Sie entkoppelte neuronale Schnittstellen mit synthetischen Gradienten in Pytorch
  70. WGAN-GP: Eine Pytorch-Implementierung von Papier "Verbesserte Ausbildung von Wasserstein Gans".
  71. Pytorch-seq2Seq-Innent-Parsing: Absicht an Parsen und Schlitzfüllung in Pytorch mit SEQ2Seq + Aufmerksamkeit
  72. pytorch_nce: Eine Implementierung des Algorithmus für Rauschkontrastivschätzung für Pytorch. Arbeiten, aber nicht sehr effizient.
  73. Molencodier: Molekular Autocodierer in Pytorch
  74. Gan-Gewicht-Norm: Code für "auf die Auswirkungen von Stapel und Gewichtsnormalisierung in generativen kontroversen Netzwerken"
  75. LGAMMA: Implementierungen von Polygamma-, Lgamma- und Beta -Funktionen für Pytorch
  76. BigBatch: Code, mit dem die Ergebnisse in "Länger trainieren, besser verallgemeinern: Bessere: Schließen der Verallgemeinerungslücke im großen Batch -Training neuronaler Netze" abschließt.
  77. RL_A3C_PYTORCH: Verstärkungslernen mit Implementierung von A3C LSTM für Atari 2600.
  78. Pytorch-Retraining: Übertragung von Schießereien für Pytorch-Modellzoo (Torchvision)
  79. NMP_QC: Neuronale Nachricht, die für Computer Vision passt
  80. Grad-Cam: Pytorch-Implementierung von Grad-Cam
  81. Pytorch-TRPO: Pytorch-Implementierung der Richtlinienoptimierung der Vertrauensregion (TRPO)
  82. Pytorch-Explain-Black-Box: Pytorch-Implementierung interpretierbarer Erklärungen von schwarzen Boxen durch sinnvolle Störung
  83. VAE_VPFLOWS: Code in Pytorch für die konvexe Kombination linearer IAF und den Hausbesitzerfluss, JM Tomczak & M. Welling https://jmtomczak.github.io/deebmed.html
  84. relationale Networks: Pytorch-Implementierung von "Ein einfachem neuronales Netzwerkmodul für relationale Argumentation" (relationale Netzwerke) https://arxiv.org/pdf/1706.01427.pdf
  85. vqa.pytorch: visuelle Frage Beantwortung in Pytorch
  86. End-to-End-Negotiator: Deal oder kein Geschäft? End-to-End-Lernen für Verhandlungsdialoge
  87. Odin-Pytorch: Prinzipielle Erkennung von Beispielen außerhalb der Verteilung in neuronalen Netzwerken.
  88. Einfrierout: Das neuronale Nettoausbildung beschleunigen, indem Sie die Schichten schrittweise einfrieren.
  89. ARAE: Code für das Papier "kontrovers regulierte Autocoder zur Erzeugung diskreter Strukturen" von Zhao, Kim, Zhang, Rush und Lecun.
  90. Vorausdacht-Pytorch: Pytorch-Implementierung von "Forward Thinking: Erstellen und Schulung neuronaler Netze eine Schicht gleichzeitig" https://arxiv.org/pdf/1706.02480.pdf
  91. context_encoder_pytorch: pytorch implementieren Kontext -Encoder
  92. Achtung-is-all-you-need-pytorch: Eine Pytorch-Implementierung des Transformatormodells in "Achtung ist alles, was Sie brauchen" .https: //github.com/thnkim/openfacepytorch
  93. OpenFacepytorch: Pytorch -Modul zum Verwenden von OpenFace NN4.Small2.v1.t7 Modell
  94. Neural-Combinatorial-RL-Pytorch: Pytorch-Implementierung der neuronalen kombinatorischen Optimierung mit Verstärkungslernen.
  95. Pytorch-NEC: Pytorch-Implementierung der neuronalen Episodischen Kontrolle (NEC)
  96. seq2seq.pytorch: Sequenz-zu-Sequenz-Lernen mit Pytorch
  97. Pytorch-sketch-rnn: Eine Pytorch-Implementierung von arxiv.org/abs/1704.03477
  98. Pytorch-Pruning: Pytorch-Implementierung von [1611.06440] Faltungsfaltungsnetzwerke für ressourceneffiziente Inferenz
  99. DRQA: Eine Pytorch-Implementierung von Lesen von Wikipedia zur Beantwortung von Fragen mit offener Domäne.
  100. Gelbfin_pytorch: automatische Impuls SGD-Optimierer
  101. Sampleernn-Pytorch: Pytorch-Implementierung von Stichproben: Ein bedingungsloses End-to-End-Modell der neuronalen Audiogenerierung.
  102. Ägäis: Tiefere DCGAN mit AE -Stabilisierung
  103. /pytorch-sresnet: Pytorch-Implementierung für photo-realistische Einzelbild-Superauflösungen mit einem generativen kontroversen Netzwerk ARXIV: 1609.04802v2
  104. VSEPP: Code für das Papier "VSE ++: Verbesserte visuelle semantische Einbettungen"
  105. Pytorch-DPPO: Pytorch-Implementierung der verteilten proximalen Richtlinienoptimierung: arxiv.org/abs/1707.02286
  106. Einheit: Pytorch-Implementierung unseres gekoppelten Vae-Gan-Algorithmus für unbeaufsichtigte Bild-zu-Image-Übersetzung
  107. Efficienzy_densenet_pytorch: eine speichereffiziente Implementierung von Densenets
  108. TSN-Pytorch: Temporal Segment Networks (TSN) in Pytorch.
  109. Smash: Eine experimentelle Technik zur effizienten Erforschung neuronaler Architekturen.
  110. Pytorch-Retinanet: Retinanet in Pytorch
  111. Bioganer: Implementierung, die das ICCV 2017 -Artikel "Gans for Biological Image Synthese" unterstützt.
  112. Semantische Bildsynthese über kontroverses Lernen: Eine Pytorch -Implementierung des Papiers "Semantische Bildsynthese über das kontroverse Lernen" im ICCV 2017.
  113. FMPYTORCH: Eine Pytorch -Implementierung eines Faktorisierungsmaschinenmoduls in Cython.
  114. ORN: Eine Pytorch -Implementierung des Papiers "Orientierten Reaktionsnetzwerke" in CVPR 2017.
  115. Pytorch-maml: Pytorch-Implementierung von MAML: arxiv.org/abs/1703.03400
  116. Pytorch-generative Modell-Sammlungen: Sammlung generativer Modelle in der Pytorch-Version.
  117. VQA-Gewinner-CVPRW-2017: Pytorch-Implementierung des Gewinners aus dem VQA Chllange Workshop in CVPR'17.
  118. tacotron_pytorch: Pytorch -Implementierung des Tacotron -Sprachsynthesemodells.
  119. PSPNET-Pytorch: Pytorch-Implementierung des PSPNET-Segmentierungsnetzwerks
  120. LM-LSTM-CRF: Empower-Sequenz-Kennzeichnung mit Task-Award-Sprachmodell http://arxiv.org/abs/1709.04109
  121. Gesichtsausrichtung: Pytorch-Implementierung des Papiers "Wie weit sind wir von der Lösung des 2D- und 3D-Gesichtsausrichtungsproblems? (und einem Datensatz von 230.000 3D-Gesichtsmarke)", ICCV 2017
  122. Tiefthet: Pytorch DepthNet -Training auf Still Box Dataset.
  123. EDSR-PYTORCH: Pytorch-Version des Papiers "Enhanced Deep Residual Networks für Einzelbild-Superauflösungen" (CVPRW 2017)
  124. E2C-Pytorch: Einbettete die Implementierung in Pytorch.
  125. 3D-RESNETS-PYTORCH: 3D RESNETS zur Aktionserkennung.
  126. Bandit-NMT: Dies ist Code-Repo für unser EMNLP 2017-Papier "Verstärkungslernen für Bandit Neural Machine Translation mit simuliertem menschlichem Feedback", das den A2C-Algorithmus auf einem neuronalen Encoder-Decoder-Modell implementiert und die Kombination unter simulierten dünnen Belohnungen.
  127. Pytorch-A2C-PPO-ACKTR: Pytorch-Implementierung von Advantage Actor Critic (A2C), proximaler Richtlinienoptimierung (PPO) und skalierbarer Vertrauensregion-Methode für das Lernen des Tiefenverstärkers unter Verwendung von Kronecker-Faktoren-Näherungen (ACKTR).
  128. ZALANDO-PYTORCH: Verschiedene Experimente zum Mod-Mnist-Datensatz von Zalando.
  129. Sphereface_Pytorch: Eine Pytorch -Implementierung von Sphereface.
  130. Kategoriale DQN: Eine Pytorch -Implementierung von kategorialen DQN aus einer verteilten Perspektive auf das Lernen der Verstärkung.
  131. Pytorch-NTM: Pytorch NTM-Implementierung.
  132. mask_rcnn_pytorch: mask rcnn in pytorch.
  133. Graph_convnets_pytorch: Pytorch -Implementierung von Graph Convnets, NIPS'16
  134. Pytorch-Faste-RCNN: Eine Pytorch-Implementierung eines schnelleren RCNN-Erkennungsrahmens basierend auf Xinlei Chens TF-Fasters-RCNN.
  135. Torchmoji: Eine Pytorch-Implementierung des Deepmoji-Modells: Stand der Technik Deep Learning Model zur Analyse von Stimmung, Emotion, Sarkasmus usw.
  136. Semantik-Segmentierung-Pytorch: Pytorch-Implementierung für semantische Segmentierung/Szene-Parsen auf dem MIT ADE20K-Datensatz
  137. Pytorch-qrnn: Pytorch-Implementierung des quasi-recurrent neuronalen Netzwerks-bis zu 16-mal schneller als Nvidia Cudnn LSTM
  138. Pytorch-SGNS: Skipgram Negative Probenahme in Pytorch.
  139. Sfmlearner-Pytorch: Pytorch-Version von Sfmlearner von Tinghui Zhou et al.
  140. Deformierbare Konvolutionspytorch: Pytorch-Implementierung einer deformierbaren Faltung.
  141. Skip-Gram-Pytorch: Eine vollständige Pytorch-Implementierung des Skipgram-Modells (mit Teilabtastung und negativer Abtastung). Das Einbettungsergebnis wird mit Spearmans Rangkorrelation getestet.
  142. Stackgan-V2: Pytorch-Implementierung zur Reproduktion von Stackgan_v2 führt zu Papierstackgan ++: Realistische Bildsynthese mit gestapelten generativen kontroversen Netzwerken von Han Zhang*, Tao Xu*, Hongsheng Li, Shaoting Zhang, Xiaogang, Xiaolei Huang, Dimitris metaxas.
  143. selfkritisch
  144. PYGCN: Graph -Faltungsnetzwerke in Pytorch.
  145. DNC: Differenzierbare neuronale Computer für Pytorch
  146. prog_gans_pytorch_inference: pytorch Inferenz für "progressives Anbau von Gans" mit Celeba Snapshot.
  147. Pytorch-Kapsel: Pytorch-Implementierung des dynamischen Routings von Hinton zwischen Kapseln.
  148. Pyramidnet-Pytorch: Eine Pytorch-Implementierung für Pyramidnets (Deep Pyramidal Residual Networks, arxiv.org/abs/1610.02915)
  149. Radio-Transformator-Networks: Eine Pytorch-Implementierung von Radiotransformator-Netzwerken aus dem Papier "Eine Einführung in das tiefe Lernen für die physische Schicht". arxiv.org/abs/1702.00832
  150. Hupen: Pytorch -Neuauflagen von Googles Tensorflow -CNNs für das Keyword -Spoting.
  151. Deepcoral: Eine Pytorch -Implementierung von 'Deep Coral: Korrelationsausrichtung für die Anpassung der Deep Domain', ECCV 2016
  152. Pytorch-Pose: Ein Pytorch-Toolkit für die Schätzung von 2D-menschlichen Posen.
  153. Lang-Emerge-Parlai: Implementierung von EMNLP 2017 Papier "Natural Language entsteht nicht" natürlich "im Dialog mit mehreren Agenten" mit Pytorch und Parlai
  154. Regenbogen: Regenbogen: Verbesserungen beim tiefen Verstärkungslernen kombinieren
  155. pytorch_compact_bilinear_pooling v1: Dieses Repository verfügt über eine reine Python -Implementierung von kompakten bilinearen Pooling- und Zählskizzen für Pytorch.
  156. CompactBilinearpooling-Pytorch V2: (Yang Gao et al.) Eine Pytorch-Implementierung für kompaktes bilineares Pooling.
  157. FEWSHOTLEARNING: Pytorch-Implementierung des Papiers "Optimierung als Modell für Wenig-Shot-Lernen"
  158. MEPROP: Codes für "MEPROP: Sparifizierte Rückverbreitung für beschleunigtes Deep -Lernen mit reduzierter Überanpassung".
  159. SFD_PYTORCH: Eine Pytorch-Implementierung des Einsatz-Skala-Invarianten-Gesichtsdetektors.
  160. GradientePisodicMemory: Continuum -Lernen mit Gem: Gradient Episodic Memory. https://arxiv.org/abs/1706.08840
  161. Deblurgan: Pytorch -Implementierung des Papiers Deblurgan: Blind Motion Deblurring unter Verwendung von bedingten kontroversen Netzwerken.
  162. STARGAN: STARGAN: Unified generative widersprüchliche Netzwerke für Multi-Domänen-Image-Image-Tranlsation.
  163. Capsnet-Pytorch: Pytorch-Implementierung von NIPS 2017 Paper Dynamic Routing zwischen Kapseln.
  164. Condensenet: Condensenet: Ein effizientes Densenet unter Verwendung erlernter Gruppenweinungen.
  165. Deep-Image-Prior: Bildrestauration mit neuronalen Netzwerken, aber ohne zu lernen.
  166. Tiefköpfe: Deep Learning Head Pose-Schätzung mit Pytorch.
  167. Zufällige Erase: Dieser Code enthält den Quellcode für das Papier "Zufällige Löschdatenvergrößerung".
  168. Faderetworks: Fader Networks: Manipulieren Bilder durch Siebattribute - NIPS 2017
  169. Flownet 2.0: Flownet 2.0: Entwicklung der optischen Flussschätzung mit tiefen Netzwerken
  170. PIX2PIXHD: Synthese und Manipulation 2048x1024 Bilder mit bedingtem Gans Tcwang0509.github.io/pix2pixHD
  171. Pytorch-Smoothgrad: SmoothGrad-Implementierung in Pytorch
  172. Retinanet: Eine Implementierung von Retinanet in Pytorch.
  173. schnellerer RCNN.PYTORCH: Dieses Projekt ist eine schnellere R-CNN-Implementierung, die darauf abzielt, das Training schnellerer R-CNN-Objekterkennungsmodelle zu beschleunigen.
  174. MILUP_PYTORCH: Eine Pytorch -Implementierung der Papiermischung: Über empirische Risikominimierung in Pytorch hinaus.
  175. inplace_abn: In-Place-aktiviertes Batchnorm für das Gedächtnisoptimierungstraining von DNNs
  176. Pytorch-Pose-HG-3D: Pytorch-Implementierung für die Schätzung der 3D-menschlichen Pose
  177. NMN-Pytorch: Neural Modul Network für VQA in Pytorch.
  178. Bytenet: Pytorch -Implementierung von Bytenet aus "Neuronal Machine Translation in Linear Time" Paper
  179. Bottom-up-Tatentention-VQA: VQA, Bottom-Up-Tatention, Pytorch
  180. YOLO2-PYTORCH: Der Yolov2 ist einer der beliebtesten einstufigen Objektdetektor. Dieses Projekt nimmt Pytorch als sich entwickelnde Rahmen zur Steigerung der Produktivität an und nutzt ONNX, um Modelle in Caffe 2 in die Bereitstellung von Benifit Engineering umzuwandeln.
  181. Reseg-Pytorch: Pytorch-Implementierung von Reseg (arxiv.org/pdf/1511.07053.pdf)
  182. Binärstochastische Neuronen: binäre stochastische Neuronen in Pytorch.
  183. Pytorch-Pose-Schätzung: Pytorch-Implementierung des Echtzeit-Multi-Personen-Pose-Schätzungsprojekts.
  184. Interaction_network_pytorch: Pytorch -Implementierung von Interaktionsnetzen zum Erlernen von Objekten, Beziehungen und Physik.
  185. Noisynaturalgradient: Pytorch -Implementierung von Papier "Laut natürlicher Gradient als Variationsinferenz".
  186. ewc.pytorch: Eine Umsetzung der elastischen Gewichtskonsolidierung (EWC), die in James Kirkpatrick et al. Überwindung katastrophaler Vergessen in neuronalen Netzwerken 2016 (10.1073/pnas.1611835114).
  187. Pytorch-ZSSR: Pytorch-Implementierung von 1712.06087 "Zero-Shot" Super-Auflösung mit tiefem internem Lernen
  188. Deep_image_Prior: Eine Implementierung von Bildrekonstruktionsmethoden aus dem Deep Image Prior (Ulyanov et al., 2017) in Pytorch.
  189. Pytorch-Transformator: Pytorch-Implementierung von Aufmerksamkeit ist alles, was Sie brauchen.
  190. Deeprl-Grounding: Dies ist eine Pytorch-Implementierung der AAAI-18-Papier-Gated-Begegnung-Architekturen für aufgabenorientierte Sprach Erdung
  191. Deep-Forecast-Pytorch: Windgeschwindigkeitsvorhersage unter Verwendung von LSTMS in Pytorch (arxiv.org/pdf/1707.08110.pdf)
  192. Katzennetz: Kanonisches Aussehen Transformationen
  193. minimal_glo: Minimale Pytorch -Implementierung der generativen latenten Optimierung aus dem Papier "Optimierung des latenten Raums generativer Netzwerke"
  194. LearningToCompare-Pytorch: Pytorch-Implementierung für Papier: Lernen zum Vergleich: Beziehungsnetzwerk für wenige Schüsse-Lernen.
  195. Poincare-Embeding: Pytorch-Implementierung des NIPS-17-Papiers "Poincaré Einbettung für Lern ​​hierarchische Darstellungen".
  196. Pytorch-TRPO (Produktversion von Hessian-Vektor): Dies ist eine Pytorch-Implementierung von "Trust Region Policy Optimization (TRPO)" mit exakter Hessian-Vektor-Produkt anstelle von endlichen Unterschieden.
  197. GGNN.PYTORCH: Eine Pytorch -Implementierung von Neuralnetzwerken der GGE -GGE (GGNN).
  198. Visual-Interaction-Networks-Pytorch: Dies ist eine Implementierung von DeepMind Visual Interaction Networks Paper mit PyTorch
  199. VERTRAGSPATTION: Pytorch-Implementierung des kontroversen Patchs.
  200. Prototypische Networks-for-Few-Shot-Learning-Pytorch: Implementierung prototypischer Netzwerke für wenige Schusslernen (arxiv.org/abs/1703.05175) in Pytorch
  201. Visuell-Feature-Attribution-Ussing-Wasserstein-Gans-Pytorch: Implementierung der visuellen Merkmalsbeschreibung mit Wasserstein Gans (arxiv.org/abs/1711.08998) in Pytorch.
  202. FotografimagesynthesewithcascadedrefinementNetNeTNETNETWORKS -PYTORCH: Fotografische Bildsynthese mit kaskadierten Verfeinerungsnetzen - Pytorch -Implementierung
  203. ENAS-PYTORCH: Pytorch-Implementierung der "effizienten Suche nach neuronaler Architektur durch Parameterfreigabe".
  204. Bewertung der NervEN-Image: Eine Pytorch-Implementierung der Bewertung der neuronalen Image.
  205. ProxProp: Proximale Backpropagation - Ein Trainingsalgorithmus für neuronale Netzwerke, der implizit anstelle expliziter Gradientenschritte unternimmt.
  206. Fastphotostyle: Eine geschlossene Lösung für fotorealistische Bildstilisierung
  207. Deep-Image-Analogy-Pytorch: Eine Python-Implementierung von Deep-Image-Analogie auf der Basis von Pytorch.
  208. Person-reid_pytorch: pytorch für Person Reid.
  209. Pt-Dilate-RNN: Dilatierte RNNs in Pytorch.
  210. Pytorch-i-revnet: Pytorch-Implementierung von i-revnets.
  211. Orthet: Tensorflow- und Pytorch -Schichten zur Erzeugung orthogonaler Polynome.
  212. DRRN-PYTORCH: Eine Implementierung des tiefen rekursiven Restnetzes für die Superauflösung (DRRN), CVPR 2017
  213. shampoo.pytorch: Eine Implementierung von Shampoo.
  214. NervEN-Image-Bewertung 2: Eine Pytorch-Implementierung der Bewertung der neuronalen Image.
  215. TCN: Sequenzmodellierungsbenchmarks und zeitliche Faltungsnetzwerke LocusLab/TCN
  216. DCC: Dieses Repository enthält den Quellcode und die Daten zur Reproduzierung von Ergebnissen von tiefem kontinuierlichem Clustering -Papier.
  217. Packnet: Code für Packnet: Hinzufügen mehrerer Aufgaben zu einem einzelnen Netzwerk durch iterative Beschneidung arxiv.org/abs/1711.05769 Hinzufügen
  218. Pytorch-progressive_growing_of_gans: Pytorch-Implementierung des progressiven Anbaues von Gans für verbesserte Qualität, Stabilität und Variation.
  219. Nonauto-NMT: Pytorch-Implementierung von "nicht autoregressiver neuronaler Maschinenübersetzung"
  220. Pytorch-Gan: Pytorch-Implementierungen generativer kontroverser Netzwerke.
  221. Pytorchwavelets: Pytorch -Implementierung der Wavelet -Analyse in Torrence und Compo (1998)
  222. Implementierung von Pytorch-hergestellt: Made (maskierte Autocoder-Dichteschätzung) in Pytorch
  223. VRNN: Pytorch -Implementierung des Variations -RNN (VRNN) aus einem rezidivierenden latenten Variablenmodell für sequentielle Daten.
  224. Flow: Pytorch -Implementierung von ICLR 2018 Papier Deep Learning für physikalische Prozesse: Integration früherer wissenschaftlicher Kenntnisse.
  225. DeepVoice3_Pytorch: Pytorch-Implementierung von Faltungsnetzwerken-basierten Text-zu-Sprach-Synthesemodellen
  226. PSMM: Inlementierung des Zeiger -Sentinel -Mischungsmodells, wie im Papier von Stephen Merity et al.
  227. Tacotron2: Tacotron 2-Pytorch-Implementierung mit schneller als Real Time-Inferenz.
  228. ACCSGD: Implementiert Pytorch -Code für den beschleunigten SGD -Algorithmus.
  229. Qanet-Pytorch: Eine Implementierung von Qanet mit Pytorch (EM/F1 = 70,5/77,2 nach 20 Epochen für etwa 20 Stunden auf einer 1080ti-Karte.)
  230. Conve: Faltungskenntnis 2D -Wissensgraphen Einbettungen
  231. Strukturierte Selbstbekämpfung: Implementierung für das Papier Eine strukturierte Selbstansicht-Satzeinbettung, die in ICLR 2017 veröffentlicht wird: arxiv.org/abs/1703.03130.
  232. Graphsage-Simple: Einfache Referenzimplementierung von Graphsage.
  233. DETECRON.PYTORCH: Eine Pytorch -Implementierung von Detektronen. Sowohl das Training von Grund auf und schließt direkt aus vorbereiteten Detektronengewichten verfügbar.
  234. R2PLUS1D-PYTORCH: Pytorch-Implementierung der in der R2PLUS1D-basierenden RESNET-Architektur, die in dem Artikel beschrieben wurde, "Ein genauerer Blick auf räumlich-zeitliche Konvolutionen für die Aktionserkennung"
  235. Stacknn: Eine Pytorch -Implementierung differenzierbarer Stapel zur Verwendung in neuronalen Netzwerken.
  236. Übersetzer: Code für aufkommende Übersetzung in der Kommunikation mit mehreren Agenten.
  237. Ban-VQA: Bilineare Aufmerksamkeitsnetzwerke zur Beantwortung visueller Frage.
  238. Pytorch-OpenAI-Transformator-LM: Dies ist eine Pytorch-Implementierung des Tensorflow-Code, das mit OpenAIs Papier "Verbesserung des Sprachverständnisses durch generative Vorversorgung" von Alec Radford, Karthik Narasimhan, Tim Salimans und Ilya Sutskever bereitgestellt wurde.
  239. T2F: Text-to-Face-Generierung mit Deep Learning. Dieses Projekt kombiniert zwei der jüngsten Architekturen Stackgan und Progan zur Synthese von Gesichtern aus Textbeschreibungen.
  240. Pytorch - FID: Ein Port der Fréchet -Inception -Distanz (FID -Score) zu Pytorch
  241. VAE_VPFLOWS: Code in Pytorch für die konvexe Kombination lineares IAF und den Haushaltefluss, JM Tomczak & M. Welling JMtomczak.github.io/deebmed.html
  242. Koordconv-Pytorch: Pytorch-Implementierung von CoordConv, eingeführt in "Ein faszinierendes Versagen von Faltungsverzerrungen neuronaler Netzwerke und der CoordConv-Lösung". (arxiv.org/pdf/1807.03247.pdf)
  243. SDPoint: Implementierung von "stochastischen Downsampling für kostenverstellbare Inferenz und verbesserte Regularisierung in Faltungsnetzwerken", veröffentlicht in CVPR 2018.
  244. Srdensenet-pytorch: srdensenet-pytorch （ICCV_2017）
  245. Gan_stabilität: Code für Papier "Welche Trainingsmethoden für GANS konvergieren tatsächlich? (ICML 2018)"
  246. Mask-RCNN: Eine Pytorch-Implementierung der Architektur von Mask RCNN dient als Einführung in die Arbeit mit Pytorch
  247. Pytorch-Coviar: Komprimierte Videoaktionserkennung
  248. Pnasnet.pytorch: Pytorch-Implementierung von PNASNET-5 auf ImageNet.
  249. Nalu-Pytorch: Grundlegende Pytorch-Implementierung von NAC/Nalu aus neuronalen Arithmetischen Logikeinheiten arxiv.org/pdf/1808.00508.pdf
  250. Lola_dice: Pytorch -Implementierung von Lola (arxiv.org/abs/1709.04326) mit DICE (arxiv.org/abs/1802.05098)
  251. Generative-Query-Network-Pytorch: Generative Query Network (GQN) in Pytorch, wie in "Repräsentation und Renderung von Neuralszene" beschrieben, beschrieben
  252. pytorch_hmax: Implementierung des HMAX -Sehensmodells in Pytorch.
  253. FCN-Pytorch-Eeist: Der Versuch, die einfachste und einfachste Pytorch-Implementierung von FCN zu sein (vollständig konpolotionale Netzwerke)
  254. Wandler: Eine schnelle Sequenz -Transducer -Implementierung mit Pytorch -Bindungen.
  255. Avo-Pytorch: Implementierung der kontroversen Variationsoptimierung in Pytorch.
  256. HCN-Pytorch: Eine Pytorch-Neuauflagen von {Co-Occurrence-Merkmalslernen aus Skelettdaten zur Aktionserkennung und Erkennung mit hierarchischer Aggregation}.
  257. Binärweit-Resnet: Pytorch-Implementierung von breiten Restnetzen mit 1-Bit-Gewichten von McDonnel (ICLR 2018)
  258. Huckepack: Code für Huckeback: Anpassung eines einzelnen Netzwerks an mehrere Aufgaben, indem Sie lernen, Gewichte zu maskieren, arxiv.org/abs/1801.06519
  259. VID2VID: Pytorch-Implementierung unserer Methode für hochauflösende (z. B. 2048x1024) Photorealistische Video-zu-Video-Übersetzung.
  260. Poisson-Convolution-Sum: implementiert eine unendliche Summe von Poisson-gewichteten Konvolutionen
  261. TBD-NETS: Pytorch-Implementierung von "Transparenz durch Design: Schließen der Lücke zwischen Leistung und Interpretierbarkeit im visuellen Denken" arxiv.org/abs/1803.05268
  262. ATTN2D: Allgegenwende Aufmerksamkeit: 2D-Faltungsnetzwerke für die Sequenz-zu-Sequenz-Vorhersage
  263. yolov3: yolov3: Training und Inferenz in Pytorch pjreddie.com/darknet/yolo
  264. Deep-Dream-in-Pytorch: Pytorch-Implementierung des Deepdream Computer Vision Algorithmus.
  265. Pytorch-Flows: Pytorch-Implementierungen von Algorithmen zur Dichteschätzung
  266. Quantil-Regression-DQN-Pytorch: Quantilregression DQN Ein minimales Arbeitsbeispiel
  267. Relational-RNN-Pytorch: Eine Implementierung von DeepMinds relationalen wiederkehrenden neuronalen Netzwerken in Pytorch.
  268. Dextr-Pytorch: Deep Extreme Cut http://www.vision.ee.ethz.ch/~cvlsegmentation/dextr
  269. Pytorch_gbw_lm: Pytorch -Sprachmodell für Google Billion Word -Datensatz.
  270. Pytorch-NCE: Die in Pytorch geschriebene Softmax-Ausgabe von Rauschenkontrastiven
  271. Generativmodelle: Annotierte, verständliche und visuell interpretierbare Pytorch-Implementierungen von: Vae, Birvae, Nsgan, MMgan, Wgan, Wgangp, Lsgan, Dragan, begonnen, Ragan, Infogan, Fgan, Fishergan.
  272. Convnet-AIG: Pytorch-Implementierung für Faltungsnetzwerke mit adaptiven Inferenzdiagrammen.
  273. Integrierter Gradient-Pytorch: Dies ist die Pytorch-Implementierung des Papiers-axiomatische Zuschreibung für tiefe Netzwerke.
  274. Malconv-Pytorch: Pytorch-Implementierung von Malconv.
  275. Trellisnet: Trellis -Netzwerke für die Sequenzmodellierung
  276. Lernen, mit tiefem Lernen mit mehreren Agenten zu kommunizieren: Pytorch-Implementierung des Lernens, um mit einem tiefen Verstärkungs-Lernpapier mit mehreren Agenten zu kommunizieren.
  277. pnn.pytorch: Pytorch -Implementierung von CVPR'18 - Störende neuronale Netze http://xujuefei.com/pnn.html.
  278. Face_attention_network: Pytorch -Implementierung des Gesichts -Aufmerksamkeitsnetzwerks, wie im Face Achtungsnetzwerk beschrieben: Ein effektiver Gesichtsdetektor für die verdeckten Gesichter.
  279. Wellenlow: Ein fließbasiertes generatives Netzwerk für die Sprachsynthese.
  280. Deepfloat: Dieses Repository enthält das Systemverilog RTL, C ++, HLS (Intel FPGA OpenCL zum Wickeln von RTL -Code) und Python, die zur Reproduktion der numerischen Ergebnisse zum "Überdenken des Schwimmpunktes für Deep Learning" erforderlich sind.
  281. EPSR: Pytorch-Implementierung der Analyse des Kompromisses zwischen Wahrnehmungsdebortieren mithilfe eines verbesserten Wahrnehmungs-Superauflösungsnetzes. Diese Arbeit hat den ersten Platz im PRIRM2018-SR-Wettbewerb (Region 1) im Rahmen des ECCV 2018 gewonnen.
  282. Klarinette: Eine Pytorch -Implementierung von Clarinet arxiv.org/abs/1807.07281
  283. Pytorch-vorbehaltungsbericht: Pytorch-Version des Bert-Modells von Google AI mit Skript zum Laden von Google vorgebliebenen Modellen
  284. TORCH_WAVEGLOW: Eine Pytorch-Implementierung des Wellenlows: Ein fließbasiertes generatives Netzwerk für die Sprachsynthese.
  285. 3DDFA: Der Pytorch verbesserte die Wiedereinplementierung von TPAMI 2017-Papier: Gesichtsausrichtung im vollen Posenbereich: Eine 3D-Gesamtlösung.
  286. LOST-LANDSCAPE: LOST-LANDSCAPE-Code zur Visualisierung der Verlustlandschaft neuronaler Netze.
  287. FAMOS: Pytorch-Implementierung des Papiers "Kopieren Sie die alte oder malen neu? Ein kontroverses Rahmen für (nicht) parametrische Bildstilisierung" erhältlich unter http://arxiv.org/abs/1811.09236.
  288. Back2Future.Pytorch: Dies ist eine Pytorch-Implementierung von Janai, J., Güney, F., Ranjan, A., Black, M. und Geiger, A., unbeaufsichtigtes Erlernen des optischen Flusses mit mehreren Rahmen mit Okklusionen. ECCV 2018.
  289. FFTNET: Inoffizielle Implementierung von FFTNET -Vocode -Papier.
  290. Faceboxes.pytorch: Eine Pytorch -Implementierung von Gesichtsbehörden.
  291. Transformator-XL: Transformator-XL: Aufmerksame Sprachmodelle jenseits eines Conthttps: //github.com/kimiyoung/transformer-xl jenseits einer festgelegten Länge
  292. Associative_Compression_networks: Assoziative Komprimierungsnetzwerke für das Lernen von Repräsentationen.
  293. fluidnet_cxx: fluidnet neu geschrieben mit tensor lib.
  294. Deep-Roinforcement-Learning-Algorithmen mit Pytorch: Dieses Repository enthält Pytorch-Implementierungen von Tiefenverstärkungs-Lernalgorithmen.
  295. SHUFFLENET-V2-PYTORCH: Dies ist eine Pytorch-Implementierung von FacePluSplus-Shufflenet-V2.
  296. GraphWaveletneuralNetwork: Dies ist eine Pytorch -Implementierung des neuronalen Netzwerks von Graph Wavelet. ICLR 2019.
  297. Achtungswalk: Dies ist eine Pytorch -Implementierung von Watch Your Step: Lernknotenbettendings über Grafik Aufmerksamkeit. NIPS 2018.
  298. SGCN: Dies ist eine Pytorch -Implementierung des signierten Graphen -Faltungsnetzes. ICDM 2018.
  299. Sinus: Dies ist eine Pytorch -Implementierung von Sinus: skalierbare unvollständige Netzwerkeinbettung. ICDM 2018.
  300. GAM: Dies ist eine Pytorch -Implementierung der Diagrammklassifizierung unter Verwendung struktureller Aufmerksamkeit. KDD 2018.
  301. PT-PT: Eine Pytorch-Implementierung von Justin Johnsons neuronalem Stil.
  302. Tucker: Tucker: Tensor -Faktorisierung für den Abschluss des Wissensgrafiks.
  303. Pytorch-Prunes: Neuronale Netzwerke beschneiden: Ist es Zeit, es in der Knospe zu knacken?
  304. SimGNN: SimGNN: A Neural Network Approach to Fast Graph Similarity Computation.
  305. Character CNN: PyTorch implementation of the Character-level Convolutional Networks for Text Classification paper.
  306. XLM: PyTorch original implementation of Cross-lingual Language Model Pretraining.
  307. DiffAI: A provable defense against adversarial examples and library for building compatible PyTorch models.
  308. APPNP: Combining Neural Networks with Personalized PageRank for Classification on Graphs. ICLR 2019.
  309. NGCN: A Higher-Order Graph Convolutional Layer. NeurIPS 2018.
  310. gpt-2-Pytorch: Simple Text-Generator with OpenAI gpt-2 Pytorch Implementation
  311. Splitter: Splitter: Learning Node Representations that Capture Multiple Social Contexts. (WWW 2019).
  312. CapsGNN: Capsule Graph Neural Network. (ICLR 2019).
  313. BigGAN-PyTorch: The author's officially unofficial PyTorch BigGAN implementation.
  314. ppo_pytorch_cpp: This is an implementation of the proximal policy optimization algorithm for the C++ API of Pytorch.
  315. RandWireNN: Implementation of: "Exploring Randomly Wired Neural Networks for Image Recognition".
  316. Zero-shot Intent CapsNet: GPU-accelerated PyTorch implementation of "Zero-shot User Intent Detection via Capsule Neural Networks".
  317. SEAL-CI Semi-Supervised Graph Classification: A Hierarchical Graph Perspective. (WWW 2019).
  318. MixHop: MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing. ICML 2019.
  319. densebody_pytorch: PyTorch implementation of CloudWalk's recent paper DenseBody.
  320. voicefilter: Unofficial PyTorch implementation of Google AI's VoiceFilter system http://swpark.me/voicefilter.
  321. NVIDIA/semantic-segmentation: A PyTorch Implementation of Improving Semantic Segmentation via Video Propagation and Label Relaxation, In CVPR2019.
  322. ClusterGCN: A PyTorch implementation of "Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks" (KDD 2019).
  323. NVlabs/DG-Net: A PyTorch implementation of "Joint Discriminative and Generative Learning for Person Re-identification" (CVPR19 Oral).
  324. NCRF: Cancer metastasis detection with neural conditional random field (NCRF)
  325. pytorch-sift: PyTorch implementation of SIFT descriptor.
  326. brain-segmentation-pytorch: U-Net implementation in PyTorch for FLAIR abnormality segmentation in brain MRI.
  327. glow-pytorch: PyTorch implementation of Glow, Generative Flow with Invertible 1x1 Convolutions (arxiv.org/abs/1807.03039)
  328. EfficientNets-PyTorch: A PyTorch implementation of EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks.
  329. STEAL: STEAL - Learning Semantic Boundaries from Noisy Annotations nv-tlabs.github.io/STEAL
  330. EigenDamage-Pytorch: Official implementation of the ICML'19 paper "EigenDamage: Structured Pruning in the Kronecker-Factored Eigenbasis".
  331. Aspect-level-sentiment: Code and dataset for ACL2018 paper "Exploiting Document Knowledge for Aspect-level Sentiment Classification"
  332. breast_cancer_classifier: Deep Neural Networks Improve Radiologists' Performance in Breast Cancer Screening arxiv.org/abs/1903.08297
  333. DGC-Net: A PyTorch implementation of "DGC-Net: Dense Geometric Correspondence Network".
  334. universal-triggers: Universal Adversarial Triggers for Attacking and Analyzing NLP (EMNLP 2019)
  335. Deep-Reinforcement-Learning-Algorithms-with-PyTorch: PyTorch implementations of deep reinforcement learning algorithms and environments.
  336. simple-effective-text-matching-pytorch: A pytorch implementation of the ACL2019 paper "Simple and Effective Text Matching with Richer Alignment Features".
  337. Adaptive-segmentation-mask-attack (ASMA): A pytorch implementation of the MICCAI2019 paper "Impact of Adversarial Examples on Deep Learning Models for Biomedical Image Segmentation".
  338. NVIDIA/unsupervised-video-interpolation: A PyTorch Implementation of Unsupervised Video Interpolation Using Cycle Consistency, In ICCV 2019.
  339. Seg-Uncertainty: Unsupervised Scene Adaptation with Memory Regularization in vivo, In IJCAI 2020.
  340. pulse: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models
  341. distance-encoding: Distance-Encoding - Design Provably More PowerfulGNNs for Structural Representation Learning.
  342. Pathfinder Discovery Networks: Pathfinder Discovery Networks for Neural Message Passing.
  343. PyKEEN: A Python library for learning and evaluating knowledge graph embeddings.
  344. SSSNET: Official implementation of the SDM2022 paper "SSSNET: Semi-Supervised Signed Network Clustering".
  345. MagNet: Official implementation of the NeurIPS2021 paper "MagNet: A Neural Network for Directed Graphs".
  346. Semantic Search: Latest in the field of neural information retrieval / semantic search.

Talks & conferences

  1. PyTorch Conference 2018: First PyTorch developer conference at 2018.

Pytorch elsewhere

  1. the-incredible-pytorch : The Incredible PyTorch: a curated list of tutorials, papers, projects, communities and more relating to PyTorch.
  2. generative models: Collection of generative models, eg GAN, VAE in Tensorflow, Keras, and Pytorch. http://wiseodd.github.io
  3. pytorch vs tensorflow: an informative thread on reddit.
  4. Pytorch discussion forum
  5. pytorch notebook: docker-stack: A project similar to Jupyter Notebook Scientific Python Stack
  6. drawlikebobross: Draw like Bob Ross using the power of Neural Networks (With PyTorch)!
  7. pytorch-tvmisc: Totally Versatile Miscellanea for Pytorch
  8. pytorch-a3c-mujoco: Implement A3C for Mujoco gym envs.
  9. PyTorch in 5 Minutes.
  10. pytorch_chatbot: A Marvelous ChatBot implemented using PyTorch.
  11. malmo-challenge: Malmo Collaborative AI Challenge - Team Pig Catcher
  12. sketchnet: A model that takes an image and generates Processing source code to regenerate that image
  13. Deep-Learning-Boot-Camp: A nonprofit community run, 5-day Deep Learning Bootcamp http://deep-ml.com.
  14. Amazon_Forest_Computer_Vision: Satellite Image tagging code using PyTorch / Keras with lots of PyTorch tricks. kaggle competition.
  15. AlphaZero_Gomoku: An implementation of the AlphaZero algorithm for Gomoku (also called Gobang or Five in a Row)
  16. pytorch-cv: Repo for Object Detection, Segmentation & Pose Estimation.
  17. deep-person-reid: Pytorch implementation of deep person re-identification approaches.
  18. pytorch-template: PyTorch template project
  19. Deep Learning With Pytorch TextBook A practical guide to build neural network models in text and vision using PyTorch. Purchase on Amazon github code repo
  20. compare-tensorflow-pytorch: Compare outputs between layers written in Tensorflow and layers written in Pytorch.
  21. hasktorch: Tensors and neural networks in Haskell
  22. Deep Learning With Pytorch Deep Learning with PyTorch teaches you how to implement deep learning algorithms with Python and PyTorch.
  23. nimtorch: PyTorch - Python + Nim
  24. derplearning: Self Driving RC Car Code.
  25. pytorch-saltnet: Kaggle | 9th place single model solution for TGS Salt Identification Challenge.
  26. pytorch-scripts: A few Windows specific scripts for PyTorch.
  27. pytorch_misc: Code snippets created for the PyTorch discussion board.
  28. awesome-pytorch-scholarship: A list of awesome PyTorch scholarship articles, guides, blogs, courses and other resources.
  29. MentisOculi: A raytracer written in PyTorch (raynet?)
  30. DoodleMaster: "Don't code your UI, Draw it !"
  31. ocaml-torch: OCaml bindings for PyTorch.
  32. extension-script: Example repository for custom C++/CUDA operators for TorchScript.
  33. pytorch-inference: PyTorch 1.0 inference in C++ on Windows10 platforms.
  34. pytorch-cpp-inference: Serving PyTorch 1.0 Models as a Web Server in C++.
  35. tch-rs: Rust bindings for PyTorch.
  36. TorchSharp: .NET bindings for the Pytorch engine
  37. ML Workspace: All-in-one web IDE for machine learning and data science. Combines Jupyter, VS Code, PyTorch, and many other tools/libraries into one Docker image.
  38. PyTorch Style Guide Style guide for PyTorch code. Consistent and good code style helps collaboration and prevents errors!
Feedback: If you have any ideas or you want any other content to be added to this list, feel free to contribute.
Expandieren
Zusätzliche Informationen
Ähnliche Anwendungen
Empfohlen für Sie
Ähnliche Nachrichten Alle