the incredible pytorch

---

นี่คือรายการบทช่วยสอน โปรเจ็กต์ ห้องสมุด วิดีโอ เอกสาร หนังสือ และสิ่งอื่นๆ ที่เกี่ยวข้องกับ PyTorch อันน่าทึ่งที่คัดสรรมาเป็นอย่างดี อย่าลังเลที่จะส่งคำขอเพื่อมีส่วนร่วมในรายการนี้

สารบัญ

• สารบัญ
  • บทช่วยสอน
  • โมเดลภาษาขนาดใหญ่ (LLM)
  • ข้อมูลแบบตาราง
  • การแสดงภาพ
  • อธิบายได้
  • การตรวจจับวัตถุ
  • การรับรู้แบบหางยาว / ไม่จำหน่าย
  • ฟังก์ชั่นการเปิดใช้งาน
  • การเรียนรู้จากพลังงาน
  • ข้อมูลหายไป
  • ค้นหาสถาปัตยกรรม
  • การเรียนรู้อย่างต่อเนื่อง
  • การเพิ่มประสิทธิภาพ
  • การหาปริมาณ
  • การเรียนรู้ของเครื่องควอนตัม
  • การบีบอัดโครงข่ายประสาทเทียม
  • การจดจำใบหน้า การกระทำ และท่าทาง
  • ความละเอียดสุดยอด
  • การสังเคราะห์มุมมอง
  • เสียง
  • ทางการแพทย์
  • การแบ่งส่วน 3 มิติ การจำแนกประเภท และการถดถอย
  • การจดจำวิดีโอ
  • โครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN)
  • โครงข่ายประสาทเทียมแบบหมุนวน (CNN)
  • การแบ่งส่วน
  • การเรียนรู้เชิงลึกทางเรขาคณิต: กราฟและโครงสร้างที่ผิดปกติ
  • การเรียงลำดับ
  • เครือข่ายสมการเชิงอนุพันธ์สามัญ
  • การเรียนรู้แบบหลายงาน
  • GAN, VAE และ AE
  • การเรียนรู้แบบไม่มีผู้ดูแล
  • การโจมตีของฝ่ายตรงข้าม
  • การถ่ายโอนสไตล์
  • คำบรรยายภาพ
  • หม้อแปลงไฟฟ้า
  • เครือข่ายและฟังก์ชันที่คล้ายคลึงกัน
  • การใช้เหตุผล
  • NLP ทั่วไป
  • คำถามและคำตอบ
  • การสร้างและการจดจำคำพูด
  • การจัดประเภทเอกสารและข้อความ
  • การสร้างข้อความ
  • ข้อความเป็นรูปภาพ
  • การแปล
  • การวิเคราะห์ความรู้สึก
  • การเรียนรู้การเสริมกำลังเชิงลึก
  • การเรียนรู้แบบเบย์เชิงลึกและการเขียนโปรแกรมความน่าจะเป็น
  • โครงข่ายประสาทเทียมที่พุ่งสูงขึ้น
  • การตรวจจับความผิดปกติ
  • ประเภทการถดถอย
  • อนุกรมเวลา
  • ชุดข้อมูลสังเคราะห์
  • การปรับปรุงทั่วไปของโครงข่ายประสาทเทียม
  • การประยุกต์ใช้ DNN ในวิชาเคมีและฟิสิกส์
  • แนวคิดใหม่เกี่ยวกับสถาปัตยกรรมโครงข่ายประสาทเทียมทั่วไป
  • พีชคณิตเชิงเส้น
  • API นามธรรม
  • สาธารณูปโภคระดับต่ำ
  • ยูทิลิตี้ PyTorch
  • วิดีโอสอน PyTorch
  • ชุมชน
  • ที่จะได้รับการจำแนกประเภท
  • ลิงก์ไปยังพื้นที่เก็บข้อมูลนี้
  • ผลงาน

บทช่วยสอน

• บทช่วยสอน PyTorch อย่างเป็นทางการ
• ตัวอย่าง PyTorch อย่างเป็นทางการ
• ดำดิ่งสู่การเรียนรู้เชิงลึกด้วย PyTorch
• หลักสูตรย่อยในการเรียนรู้เชิงลึกด้วย PyTorch (หลายภาษา)
• การเรียนรู้เชิงลึกเชิงปฏิบัติด้วย PyTorch
• โมเดลการเรียนรู้เชิงลึก
• การใช้งาน C++ ของบทช่วยสอน PyTorch
• ตัวอย่างง่ายๆ ในการแนะนำ PyTorch
• บทช่วยสอนขนาดเล็กใน PyTorch
• การเรียนรู้เชิงลึกสำหรับ NLP
• การสอนการเรียนรู้เชิงลึกสำหรับนักวิจัย
• Convolutional Networks เต็มรูปแบบที่นำมาใช้กับ PyTorch
• บทช่วยสอน PyTorch อย่างง่ายเป็นศูนย์ถึงทั้งหมด
• DeepNLP-รุ่น-Pytorch
• MILA PyTorch บทช่วยสอนยินดีต้อนรับ
• PyTorch ที่มีประสิทธิภาพ การเพิ่มประสิทธิภาพรันไทม์ด้วย TorchScript และการเพิ่มประสิทธิภาพเสถียรภาพเชิงตัวเลข
• PyTorch ที่ใช้งานได้จริง
• เทมเพลตโครงการ PyTorch
• การค้นหาความหมายด้วย PyTorch

โมเดลภาษาขนาดใหญ่ (LLM)

• บทเรียน LLM
  • สร้างโมเดลภาษาขนาดใหญ่ (ตั้งแต่เริ่มต้น)
  • หนังสือการฝึกอบรม Hugginface LLM ชุดวิธีการเพื่อช่วยให้การฝึกอบรมโมเดลภาษาขนาดใหญ่ประสบความสำเร็จ
• ทั่วไป
  • Starcoder 2 ตระกูลโมเดลการสร้างโค้ด
  • GPT การอนุมานหม้อแปลงดั้งเดิมแบบ pytorch ที่รวดเร็ว รวดเร็ว และแฮ็กได้
  • Mixtral Offloading เรียกใช้รุ่น Mixtral-8x7B ใน Colab หรือเดสก์ท็อปสำหรับผู้ใช้ทั่วไป
  • ลามะ
  • สูตรลามะ
  • จิ๋วลามะ
  • หม้อแปลงไฟฟ้าสำเร็จรูปโมเสก (MPT)
  • VLLM กลไกการอนุมานและให้บริการที่มีประสิทธิภาพสูงและหน่วยความจำสำหรับ LLM
  • ดอลลี่
  • วิคูน่า
  • มิสทรัล 7B
  • BigDL LLM ไลบรารีสำหรับการรัน LLM (รุ่นภาษาขนาดใหญ่) บน Intel XPU (จากแล็ปท็อปไปจนถึง GPU ไปจนถึงคลาวด์) โดยใช้ INT4 ที่มีความหน่วงต่ำมาก1 (สำหรับรุ่น PyTorch ใด ๆ )
  • LLM Finetuner อย่างง่าย
  • Petals เรียกใช้ LLM ที่บ้าน รูปแบบ BitTorrent การปรับแต่งอย่างละเอียดและการอนุมานเร็วกว่าการถ่ายโอนข้อมูลถึง 10 เท่า
• ญี่ปุ่น
  • ลามะญี่ปุ่น
  • GPT Neox ของญี่ปุ่นและ Open Calm
• ชาวจีน
  • จีนลามะ-2 7B
  • วิคูน่าจีน
• การดึงข้อมูล Augmented Generation (RAG)
  • LlamaIndex กรอบงานข้อมูลสำหรับแอปพลิเคชัน LLM ของคุณ
• การฝัง
  • ChromaDB ฐานข้อมูลการฝังโอเพ่นซอร์ส
• การใช้งาน
  • Langchain สร้างแอปพลิเคชันด้วย LLM ผ่านความสามารถในการประกอบ
• การปรับแต่งอย่างละเอียด
  • Huggingface PEFT การปรับแต่งพารามิเตอร์ที่ล้ำสมัยและมีประสิทธิภาพ
• การฝึกอบรม
  • Higgsfield, การจัดการ GPU ที่ทนทานต่อข้อผิดพลาด, ปรับขนาดได้สูงและเฟรมเวิร์กการเรียนรู้ของเครื่องที่ออกแบบมาสำหรับโมเดลการฝึกที่มีพารามิเตอร์นับพันล้านถึงล้านล้าน
• การหาปริมาณ
  • AutoGPTQ แพ็คเกจการหาปริมาณ LLM ที่ใช้งานง่ายพร้อม apis ที่ใช้งานง่าย ตามอัลกอริทึม GPTQ

ข้อมูลแบบตาราง

• PyTorch Frame: กรอบงานแบบแยกส่วนสำหรับการเรียนรู้แบบตารางหลายรูปแบบ
• Pytorch Tabular เฟรมเวิร์กมาตรฐานสำหรับการสร้างแบบจำลองการเรียนรู้เชิงลึกสำหรับข้อมูลแบบตาราง
• แท็บ หม้อแปลง
• PyTorch-TabNet: การเรียนรู้แบบตารางที่ตีความได้อย่างตั้งใจ
• carefree-learn: โซลูชันการเรียนรู้ของเครื่องอัตโนมัติ (AutoML) ขั้นต่ำสำหรับชุดข้อมูลแบบตารางที่ใช้ PyTorch

การแสดงภาพ

• การสร้างภาพการสูญเสีย
• Grad-CAM: คำอธิบายด้วยภาพจากเครือข่ายระดับลึกผ่านการแปลตามการไล่ระดับสี
• เครือข่าย Convolutional ภายในลึก: การแสดงภาพแบบจำลองการจำแนกประเภทรูปภาพและแผนที่ความโดดเด่น
• SmoothGrad: กำจัดเสียงรบกวนโดยการเพิ่มเสียงรบกวน
• DeepDream: ภาพหลอนประสาทเหมือนความฝัน
• FlashTorch: ชุดเครื่องมือแสดงภาพสำหรับโครงข่ายประสาทเทียมใน PyTorch
• Lucent: Lucid ดัดแปลงมาสำหรับ PyTorch
• DreamCreator: ฝึกอบรมโมเดล GoogleNet สำหรับ DeepDream ด้วยชุดข้อมูลที่กำหนดเองที่ง่ายดาย
• การแสดงแผนที่คุณลักษณะของ CNN

อธิบายได้

• ต้นไม้การตัดสินใจที่ได้รับการสนับสนุนจากระบบประสาท
• การประมาณค่าความแปรปรวนร่วมที่มีประสิทธิภาพจากข้อมูลชั่วคราว
• การตีความแบบลำดับชั้นสำหรับการทำนายโครงข่ายประสาทเทียม
• Shap วิธีการแบบครบวงจรในการอธิบายผลลัพธ์ของโมเดลการเรียนรู้ของเครื่อง
• การแสดงภาพ PyTorch บันทึกโมเดลการเรียนรู้เชิงลึก .pth ด้วย netron
• การกลั่นโครงข่ายประสาทเทียมให้เป็นแผนผังการตัดสินใจที่นุ่มนวล
• Captum ไลบรารีการตีความโมเดลแบบครบวงจรสำหรับ PyTorch

การตรวจจับวัตถุ

• กล่องเครื่องมือตรวจจับวัตถุ MMDetection
• เกณฑ์มาตรฐาน Mask R-CNN: R-CNN ที่เร็วขึ้นและ Mask R-CNN ใน PyTorch 1.0
• YOLO-โลก
• โยลอส
• โยลอฟ
• โยล็อกซ์
• โยโลฟ10
• โยโลฟ9
• โยโลฟ8
• โยลอฟ7
• โยโลฟ6
• โยลอฟ5
• โยลอฟ4
• โยโลฟ3
• YOLOv2: การตรวจจับวัตถุแบบเรียลไทม์
• SSD: เครื่องตรวจจับ MultiBox แบบนัดเดียว
• โมเดล Detectron สำหรับการตรวจจับวัตถุ
• การรู้จำตัวเลขหลายหลักจากภาพ Street View โดยใช้โครงข่ายประสาทเทียมแบบ Deep Convolutional
• เครื่องตรวจจับปลาวาฬ
• ตัวเร่งปฏิกิริยาการตรวจจับ

การรับรู้แบบหางยาว / ไม่จำหน่าย

• โครงข่ายประสาทเทียมที่แข็งแกร่งแบบกระจายสำหรับการเปลี่ยนแปลงกลุ่ม: ความสำคัญของการทำให้เป็นมาตรฐานสำหรับลักษณะทั่วไปที่เลวร้ายที่สุด
• การลดความเสี่ยงที่ไม่คงที่
• การฝึกอบรมตัวแยกประเภทที่ปรับเทียบความมั่นใจสำหรับการตรวจจับตัวอย่างที่ไม่กระจายตัว
• การตรวจจับความผิดปกติเชิงลึกพร้อมค่าแสงภายนอก
• การรับรู้หางยาวขนาดใหญ่ในโลกเปิด
• การตรวจจับหลักตัวอย่างที่ไม่กระจายในโครงข่ายประสาทเทียม
• ความมั่นใจในการเรียนรู้สำหรับการตรวจจับที่ไม่กระจายในโครงข่ายประสาทเทียม
• PyTorch ตัวเก็บตัวอย่างคลาสที่ไม่สมดุล

ฟังก์ชั่นการเปิดใช้งาน

• การเปิดใช้งานแบบมีเหตุผล - ฟังก์ชันการเปิดใช้งานแบบมีเหตุผลที่สามารถเรียนรู้ได้

การเรียนรู้จากพลังงาน

• EBGAN, GAN ที่ใช้พลังงาน
• เครื่องกำเนิดเอนโทรปีสูงสุดสำหรับโมเดลที่ใช้พลังงาน

ข้อมูลหายไป

• BRITS: การใส่ข้อมูลซ้ำแบบสองทิศทางสำหรับอนุกรมเวลา

ค้นหาสถาปัตยกรรม

• EfficientNetV2
• หนาแน่น NAS
• ปาเป้า: การค้นหาสถาปัตยกรรมที่แตกต่าง
• การค้นหาสถาปัตยกรรมประสาทที่มีประสิทธิภาพ (ENAS)
• EfficientNet: ทบทวนการปรับขนาดแบบจำลองสำหรับโครงข่ายประสาทเทียมแบบ Convolutional

การเรียนรู้อย่างต่อเนื่อง

• Renate การฝึกอบรมใหม่อัตโนมัติของโครงข่ายประสาทเทียม

การเพิ่มประสิทธิภาพ

• AccSGD, AdaBound, AdaMod, DiffGrad, Lamb, NovoGrad, RAdam, SGDW, Yogi และอีกมากมาย
• เครื่องมือเพิ่มประสิทธิภาพ Lookahead: เดินหน้า k ก้าว, ถอยหลัง 1 ก้าว
• RAdam เรื่องความแปรปรวนของอัตราการเรียนรู้แบบปรับตัวและอื่นๆ
• มากกว่า 9,000 การเปรียบเทียบ RAdam, Lookahead, Novograd และชุดค่าผสม
• AdaBound ฝึกฝนให้เร็วเท่ากับอดัมและดีเท่ากับ SGD
• วิธีการเพิ่มประสิทธิภาพการปรับตัวของรีมันน์เนียน
• L-BFGS
• OptNet: การเพิ่มประสิทธิภาพที่แตกต่างเป็นเลเยอร์ในโครงข่ายประสาทเทียม
• การเรียนรู้ที่จะเรียนรู้โดยการไล่ระดับโดยไล่ระดับ
• การเรียนรู้แบบไล่ระดับแทนในโครงข่ายประสาทเทียมที่พุ่งสูงขึ้น
• TorchOpt: ไลบรารีที่มีประสิทธิภาพสำหรับการเพิ่มประสิทธิภาพที่แตกต่าง

การหาปริมาณ

• การเพิ่มกำลังของการหาปริมาณสองแบบ: การแยกส่วนแบบไม่สม่ำเสมอที่มีประสิทธิภาพสำหรับโครงข่ายประสาทเทียม

การเรียนรู้ของเครื่องควอนตัม

• Tor10 ไลบรารีเครือข่ายเทนเซอร์ทั่วไปสำหรับการจำลองควอนตัมใน PyTorch
• PennyLane ไลบรารี Python ข้ามแพลตฟอร์มสำหรับการเรียนรู้ของเครื่องควอนตัมพร้อมอินเทอร์เฟซ PyTorch

การบีบอัดโครงข่ายประสาทเทียม

• การบีบอัดแบบเบย์เพื่อการเรียนรู้เชิงลึก
• Neural Network Distiller โดย Intel AI Lab: แพ็คเกจ Python สำหรับการวิจัยการบีบอัดเครือข่ายนิวรอล
• การเรียนรู้โครงข่ายประสาทเทียมแบบกระจัดกระจายผ่านการทำให้เป็นมาตรฐาน L0
• การบีบอัดแบบจำกัดพลังงานสำหรับโครงข่ายประสาทเทียมระดับลึกผ่านการฉายภาพแบบกระจายน้ำหนักและการมาสก์อินพุตเลเยอร์
• EigenDamage: การตัดแต่งกิ่งที่มีโครงสร้างใน Eigenbasis ที่มีปัจจัย Kronecker
• การตัดโครงข่ายประสาทเทียมแบบ Convolutional เพื่อการอนุมานทรัพยากรอย่างมีประสิทธิภาพ
• การตัดแต่งโครงข่ายประสาทเทียม: ถึงเวลาที่จะบีบมันไว้ในตาแล้วหรือยัง? (การแสดงเครือข่ายที่ลดลงทำงานได้ดีขึ้น)

การจดจำใบหน้า การกระทำ และท่าทาง

• Facenet: โมเดลการตรวจจับและการจดจำใบหน้า Pytorch ที่ได้รับการฝึกล่วงหน้า
• DGC-Net: เครือข่ายการติดต่อทางเรขาคณิตหนาแน่น
• ไลบรารีการจดจำใบหน้าประสิทธิภาพสูงบน PyTorch
• FaceBoxes เครื่องตรวจจับใบหน้าแบบเรียลไทม์ของ CPU ที่มีความแม่นยำสูง
• เราอยู่ไกลแค่ไหนจากการแก้ปัญหาการจัดตำแหน่งใบหน้า 2D และ 3D? (และชุดข้อมูลจุดสังเกตใบหน้า 3 มิติ 230,000 จุด)
• การเรียนรู้คุณสมบัติ Spatio-Temporal ด้วยเครือข่าย 3D Residual สำหรับการจดจำการกระทำ
• PyTorch การประมาณท่าทางหลายคนแบบเรียลไทม์
• SphereFace: การฝังไฮเปอร์สเฟียร์เชิงลึกเพื่อการจดจำใบหน้า
• GANimation: แอนิเมชั่นใบหน้าที่รับรู้ทางกายวิภาคจากภาพเดียว
• Shufflenet V2 โดย Face++ ให้ผลลัพธ์ที่ดีกว่ากระดาษ
• สู่การประมาณท่าทางมนุษย์แบบ 3 มิติในป่า: แนวทางที่มีการควบคุมดูแลอย่างอ่อนแอ
• การเรียนรู้เชิงลึกและการเคลื่อนไหวอัตตาจากวิดีโอโดยไม่มีผู้ดูแล
• FlowNet 2.0: วิวัฒนาการของการประมาณค่าการไหลของแสงด้วยเครือข่ายระดับลึก
• FlowNet: การเรียนรู้การไหลของแสงด้วยเครือข่าย Convolutional
• การประมาณค่าการไหลของแสงโดยใช้เครือข่ายพีระมิดเชิงพื้นที่
• OpenFace ใน PyTorch
• การจดจำใบหน้าแบบลึกใน PyTorch

ความละเอียดสุดยอด

• เครือข่าย Deep Residual ที่ได้รับการปรับปรุงสำหรับภาพเดียวที่มีความละเอียดสูงสุด
• ความละเอียดพิเศษโดยใช้โครงข่ายประสาทเทียมแบบสลับพิกเซลย่อยที่มีประสิทธิภาพ
• การสูญเสียการรับรู้สำหรับการถ่ายโอนสไตล์แบบเรียลไทม์และความละเอียดขั้นสูง

การสังเคราะห์มุมมอง

• NeRF, สนามเรเดียนประสาท, การสังเคราะห์มุมมองนวนิยายของฉากที่ซับซ้อน

เสียง

• Google AI VoiceFilter: การแยกเสียงเป้าหมายโดยการมาสก์ Spectrogram แบบมีเงื่อนไขของผู้พูด

ทางการแพทย์

• Medical Zoo ไลบรารีการแบ่งส่วนภาพทางการแพทย์หลายรูปแบบ 3 มิติใน PyTorch
• U-Net สำหรับการแบ่งส่วนความผิดปกติของ FLAIR ใน Brain MRI
• การจำแนกจีโนมผ่าน ULMFiT
• โครงข่ายประสาทเทียมระดับลึกช่วยปรับปรุงประสิทธิภาพของนักรังสีวิทยาในการตรวจคัดกรองมะเร็งเต้านม
• Delira เฟรมเวิร์กน้ำหนักเบาสำหรับการสร้างต้นแบบภาพทางการแพทย์
• V-Net: โครงข่ายประสาทเทียมแบบหมุนเต็มรูปแบบสำหรับการแบ่งส่วนภาพทางการแพทย์เชิงปริมาตร
• Medical Torch กรอบการถ่ายภาพทางการแพทย์สำหรับ PyTorch
• TorchXRayVision - ไลบรารีสำหรับชุดข้อมูลและแบบจำลองเอ็กซ์เรย์หน้าอก รวมถึงโมเดลที่ผ่านการอบรมมาแล้ว

การแบ่งส่วน 3 มิติ การจำแนกประเภท และการถดถอย

• Kaolin ห้องสมุดเพื่อเร่งการวิจัยการเรียนรู้เชิงลึก 3 มิติ
• PointNet: การเรียนรู้เชิงลึกเกี่ยวกับชุดจุดสำหรับการจัดหมวดหมู่และการแบ่งส่วน 3 มิติ
• การแบ่งส่วน 3 มิติด้วย MONAI และ Catalyst

การจดจำวิดีโอ

• เต้นเพลง
• ปีศาจอยู่ในขอบ: การเรียนรู้ขอบเขตความหมายจากคำอธิบายประกอบที่มีเสียงดัง
• การวิเคราะห์วิดีโอเชิงลึก
• PredRNN: โครงข่ายประสาทเทียมที่เกิดซ้ำสำหรับการเรียนรู้เชิงทำนายโดยใช้ Spatiotemporal LSTM

โครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN)

• SRU: ฝึกอบรม RNN ให้เร็วเท่ากับ CNN
• เซลล์ประสาทที่ได้รับคำสั่ง: การรวมโครงสร้างต้นไม้เข้ากับโครงข่ายประสาทที่เกิดซ้ำ
• โคตรลาดสุ่มสุ่มโดยน้ำหนักที่ลดลง LSTM
• ฝึกอบรม RNN ให้เร็วเท่ากับ CNN
• โครงข่ายประสาทเทียมกึ่งเกิดซ้ำ (QRNN)
• ReSeg: โมเดลที่ใช้โครงข่ายประสาทเทียมที่เกิดซ้ำสำหรับการแบ่งส่วนความหมาย
• แบบจำลองตัวแปรแฝงที่เกิดซ้ำสำหรับข้อมูลตามลำดับ (VRNN)
• ปรับปรุงการแสดงความหมายจากเครือข่ายหน่วยความจำระยะสั้นแบบโครงสร้างแบบต้นไม้
• โมเดลโครงข่ายประสาทเทียมแบบเกิดซ้ำตามความสนใจสำหรับการตรวจจับเจตนาร่วมและการเติมสล็อต
• เครื่องมือเปรียบเทียบการเกิดซ้ำที่เอาใจใส่
• การรวบรวมโมเดลลำดับต่อลำดับด้วย PyTorch
  1. ลำดับวานิลลาสู่แบบจำลองลำดับ
  2. โมเดล Sequence to Sequence แบบอิงความสนใจ
  3. กลไกความสนใจที่เร็วขึ้นโดยใช้ผลิตภัณฑ์ดอทระหว่างตัวเข้ารหัสสุดท้ายและสถานะที่ซ่อนอยู่ของตัวถอดรหัส

โครงข่ายประสาทเทียมแบบหมุนวน (CNN)

• LegoNet: โครงข่ายประสาทเทียมแบบ Convolutional ที่มีประสิทธิภาพพร้อมตัวกรอง Lego
• MeshCNN ซึ่งเป็นเครือข่ายประสาทเทียมที่ออกแบบมาโดยเฉพาะสำหรับตาข่ายสามเหลี่ยม
• อ็อกเทฟ Convolution
• โมเดลรูปภาพ PyTorch, ResNet/ResNeXT, DPN, MobileNet-V3/V2/V1, MNASNet, NAS แบบ Single-Path, FBNet
• โครงข่ายประสาทเทียมระดับลึกพร้อม Box Convolutions
• เครือข่ายที่เหลือแบบผันกลับได้
• การสุ่มตัวอย่างแบบสุ่มสำหรับการอนุมานที่ปรับต้นทุนได้และปรับปรุงการทำให้เป็นมาตรฐานในเครือข่ายแบบ Convolutional
• เร็วขึ้น การใช้งาน R-CNN ที่เร็วขึ้น
  • R-CNN ที่เร็วขึ้น การใช้งานอีกครั้ง
• ให้ความสำคัญกับความสนใจมากขึ้น: การปรับปรุงประสิทธิภาพของโครงข่ายประสาทเทียมแบบ Convolutional ผ่านการถ่ายโอนความสนใจ
• โมเดล Wide ResNet ใน PyTorch -DiracNets: การฝึกอบรมโครงข่ายประสาทเทียมที่ลึกมากโดยไม่ต้องข้ามการเชื่อมต่อ
• โครงข่ายประสาทเทียมแบบ End-to-End สำหรับการรู้จำลำดับภาพและการประยุกต์ใช้ในการรู้จำข้อความในฉาก
• ความหนาแน่นที่มีประสิทธิภาพ
• การแก้ไขเฟรมวิดีโอผ่าน Convolution แบบแยกส่วนแบบอะแดปทีฟ
• การเรียนรู้คำอธิบายคุณลักษณะในท้องถิ่นด้วยแฝดสามและโครงข่ายประสาทเทียมแบบตื้น
• เครือข่าย Convolutional ที่เชื่อมต่ออย่างหนาแน่น
• เครือข่าย Convolutional ที่ลึกมากสำหรับการจดจำภาพขนาดใหญ่
• SqueezeNet: ความแม่นยำระดับ AlexNet พร้อมพารามิเตอร์น้อยลง 50 เท่า และขนาดโมเดล <0.5MB
• การเรียนรู้ที่เหลืออย่างลึกซึ้งเพื่อการจดจำภาพ
• การฝึกอบรม Wide ResNets สำหรับ CIFAR-10 และ CIFAR-100 ใน PyTorch
• เครือข่าย Convolutional ที่เปลี่ยนรูปได้
• ผ้าประสาทแบบ Convolutional
• เครือข่าย Convolutional ที่เปลี่ยนรูปได้ใน PyTorch
• การรวม ResNet แบบขยายเข้ากับ Convolutions แบบขยาย
• มุ่งมั่นเพื่อความเรียบง่าย: The All Convolutional Net
• เครือข่าย LSTM แบบหมุนวน
• คอลเล็กชั่นโมเดลการจำแนกประเภทที่ผ่านการฝึกอบรมมาแล้วจำนวนมาก
• การจัดหมวดหมู่รูปภาพ PyTorch ด้วยชุดข้อมูล Kaggle Dogs vs Cats
• CIFAR-10 บน Pytorch พร้อม VGG, ResNet และ DenseNet
• โมเดลและชุดข้อมูลพื้นฐานใน pytorch (MNIST, SVHN, CIFAR10, CIFAR100, STL10, AlexNet, VGG16, VGG19, ResNet, Inception, SqueezeNet)
• NVIDIA/การแก้ไขวิดีโอที่ไม่ได้รับการดูแล

การแบ่งส่วน

• Detectron2 โดย FAIR
• การแบ่งส่วนแบบพิกเซลบนชุดข้อมูล VOC2012 โดยใช้ PyTorch
• Pywick - ไลบรารีการฝึกอบรมโครงข่ายประสาทเทียมพร้อมแบตเตอรี่ระดับสูงสำหรับ Pytorch
• การปรับปรุงการแบ่งส่วนความหมายผ่านการขยายพันธุ์วิดีโอและการผ่อนคลายป้ายกำกับ
• Super-BPD: ทิศทาง Super Boundary-to-Pixel สำหรับการแบ่งส่วนภาพอย่างรวดเร็ว
• ตัวเร่งปฏิกิริยาการแบ่งส่วน
• แบบจำลองการแบ่งกลุ่มด้วยแกนหลักที่ได้รับการฝึกมาแล้ว

การเรียนรู้เชิงลึกทางเรขาคณิต: กราฟและโครงสร้างที่ผิดปกติ

• PyTorch Geometric ส่วนขยายการเรียนรู้เชิงลึก
• PyTorch Geometric Temporal: ไลบรารีส่วนขยายชั่วคราวสำหรับ PyTorch Geometric
• PyTorch Geometric Signed Directed: ไลบรารีส่วนขยายที่ลงนามและกำกับสำหรับ PyTorch Geometric
• ChemicalX: ห้องสมุดการเรียนรู้เชิงลึกที่ใช้ PyTorch สำหรับการให้คะแนนคู่ยา
• การรวมกราฟความสนใจตนเอง
• โครงข่ายประสาทเทียมกราฟที่รับรู้ตำแหน่ง
• โครงข่ายประสาทเทียมกราฟแบบลงนาม
• กราฟ U-Nets
• Cluster-GCN: อัลกอริธึมที่มีประสิทธิภาพสำหรับการฝึกอบรมเครือข่าย Convolutional กราฟระดับลึกและขนาดใหญ่
• MixHop: สถาปัตยกรรม Convolutional Graph ที่มีลำดับสูงกว่าผ่านการผสมผสานพื้นที่ใกล้เคียงแบบกระจัดกระจาย
• การจัดประเภทกราฟแบบกึ่งกำกับดูแล: มุมมองกราฟแบบลำดับชั้น
• PyTorch BigGraph โดย FAIR สำหรับการสร้างการฝังจากข้อมูลกราฟขนาดใหญ่
• โครงข่ายประสาทเทียมกราฟแคปซูล
• ตัวแยก: การเรียนรู้การแทนโหนดที่รวบรวมบริบททางสังคมที่หลากหลาย
• เลเยอร์ Convolutional กราฟลำดับที่สูงกว่า
• คาดการณ์แล้วเผยแพร่: โครงข่ายประสาทเทียมแบบกราฟตรงกับเพจแรงก์ส่วนบุคคล
• Lorentz Embeddings: เรียนรู้ลำดับชั้นต่อเนื่องในอวกาศไฮเปอร์โบลิก
• กราฟโครงข่ายประสาทเทียมเวฟเล็ต
• ดูขั้นตอนของคุณ: การเรียนรู้การฝังโหนดผ่านความสนใจของกราฟ
• เครือข่าย Convolutional กราฟที่ลงนาม
• การจำแนกกราฟโดยใช้ความสนใจเชิงโครงสร้าง
• SimGNN: แนวทางโครงข่ายประสาทเทียมเพื่อการคำนวณความคล้ายคลึงกันของกราฟที่รวดเร็ว
• SINE: การฝังเครือข่ายที่ไม่สมบูรณ์ที่สามารถปรับขนาดได้
• HypER: การฝังกราฟความรู้ Hypernetwork
• TuckER: การแยกตัวประกอบเทนเซอร์สำหรับการเติมกราฟความรู้ให้สมบูรณ์
• PyKEEN: ไลบรารี Python สำหรับการเรียนรู้และประเมินการฝังกราฟความรู้
• Pathfinder Discovery Networks สำหรับการส่งข้อความประสาท
• SSSNET: การทำคลัสเตอร์เครือข่ายแบบลงนามแบบกึ่งกำกับดูแล
• MagNet: โครงข่ายประสาทเทียมสำหรับกราฟกำกับ
• PyTorch Geopooling: โมดูลการรวม Geospatial สำหรับโครงข่ายประสาทเทียมใน PyTorch

การเรียงลำดับ

• การเพิ่มประสิทธิภาพแบบสุ่มของเครือข่ายการเรียงลำดับผ่านการผ่อนคลายอย่างต่อเนื่อง

เครือข่ายสมการเชิงอนุพันธ์สามัญ

• ODE แฝงสำหรับอนุกรมเวลาสุ่มตัวอย่างไม่สม่ำเสมอ
• GRU-ODE-Bayes: การสร้างแบบจำลองต่อเนื่องของอนุกรมเวลาที่สังเกตได้ประปราย

การเรียนรู้แบบหลายงาน

• รูปแบบการเรียนรู้หลายงานแบบลำดับชั้น
• การเรียนรู้โมเดลแบบ End-to-end ตามงาน
• torchMTL: โมดูลน้ำหนักเบาสำหรับการเรียนรู้แบบ Multi-Task ใน pytorch

GAN, VAE และ AE

• BigGAN: การฝึกอบรม GAN ขนาดใหญ่เพื่อการสังเคราะห์ภาพธรรมชาติที่มีความเที่ยงตรงสูง
• ตัวชี้วัดประสิทธิภาพความเที่ยงตรงสูงสำหรับโมเดล Generative ใน PyTorch
• Mimicry, PyTorch Library เพื่อการทำซ้ำของการวิจัย GAN
• สะอาด CycleGAN ที่อ่านได้
• สตาร์แกน
• บล็อกการไหลอัตโนมัติของระบบประสาท
• การสังเคราะห์ภาพความละเอียดสูงและการจัดการความหมายด้วย GAN แบบมีเงื่อนไข
• สถาปัตยกรรมตัวสร้างตามสไตล์สำหรับเครือข่ายปฏิปักษ์ทั่วไป
• GANDissect เครื่องมือ PyTorch สำหรับการแสดงภาพเซลล์ประสาทใน GAN
• การเรียนรู้การนำเสนอเชิงลึกโดยการประมาณค่าและขยายข้อมูลร่วมกัน
• ตัวเข้ารหัสอัตโนมัติ Laplace แบบแปรผัน
• VeGANS ห้องสมุดสำหรับการฝึกอบรม GAN ได้อย่างง่ายดาย
• การเติบโตอย่างก้าวหน้าของ GAN เพื่อปรับปรุงคุณภาพ ความเสถียร และการเปลี่ยนแปลง
• GAN แบบมีเงื่อนไข
• วัสเซอร์สไตน์ GAN
• เครือข่ายเครื่องกำเนิดไฟฟ้า-ตัวเข้ารหัสฝ่ายตรงข้าม
• การแปลภาพเป็นภาพด้วยเครือข่ายฝ่ายตรงข้ามที่มีเงื่อนไข
• การแปลภาพเป็นภาพที่ไม่ได้จับคู่โดยใช้เครือข่ายฝ่ายตรงข้ามที่สอดคล้องตามวัฏจักร
• ผลกระทบของการทำให้แบทช์และน้ำหนักเป็นมาตรฐานในเครือข่ายปฏิปักษ์ทั่วไป
• ปรับปรุงการฝึกอบรม Wasserstein GANs
• การรวบรวมโมเดล Generative ด้วย PyTorch
  • Generative Adversarial Nets (GAN)
    1. วานิลลา GAN
    2. GAN แบบมีเงื่อนไข
    3. อินโฟแกน
    4. วัสเซอร์สไตน์ GAN
    5. โหมด GAN ที่สม่ำเสมอ
  • ตัวเข้ารหัสอัตโนมัติแบบแปรผัน (VAE)
    1. วานิลลา วีเออี
    2. VAE แบบมีเงื่อนไข
    3. การปฏิเสธ VAE
    4. โปรแกรมเข้ารหัสอัตโนมัติของฝ่ายตรงข้าม
    5. การเปลี่ยนแปลงของฝ่ายตรงข้าม Bayes
• ปรับปรุงการฝึกอบรม Wasserstein GANs
• CycleGAN และ GAN กึ่งกำกับดูแล
• การปรับปรุงตัวเข้ารหัสอัตโนมัติแบบแปรผันโดยใช้ Householder Flow และใช้ Convex ผสม linear Inverse Autoregressive Flow
• คอลเลกชัน PyTorch GAN
• Generative Adversarial Networks มุ่งเน้นไปที่การวาดใบหน้าอนิเมะ
• เครือข่ายฝ่ายตรงข้ามที่สร้างอย่างง่าย
• ตัวเข้ารหัสอัตโนมัติของฝ่ายตรงข้าม
• torchgan: กรอบงานสำหรับการสร้างแบบจำลอง Generative Adversarial Networks ใน Pytorch
• การประเมินอัตราการบีบอัดที่สูญเสียของแบบจำลองเชิงลึก
• Catalyst.GAN
  1. วานิลลา GAN
  2. GAN แบบมีเงื่อนไข
  3. วัสเซอร์สไตน์ GAN
  4. ปรับปรุงการฝึกอบรม Wasserstein GANs

การเรียนรู้แบบไม่มีผู้ดูแล

• การเรียนรู้แบบฝังที่ไม่ได้รับการดูแลผ่านคุณสมบัติอินสแตนซ์ที่ไม่แปรผันและการแพร่กระจาย
• และ: การค้นพบพื้นที่ใกล้เคียง Anchor

การโจมตีของฝ่ายตรงข้าม

• โครงข่ายประสาทเทียมระดับลึกถูกหลอกได้ง่าย: การคาดการณ์ที่มีความมั่นใจสูงสำหรับภาพที่จำไม่ได้
• การอธิบายและควบคุมตัวอย่างฝ่ายตรงข้าม
• AdverTorch - กล่องเครื่องมือสำหรับการวิจัยความแข็งแกร่งของฝ่ายตรงข้าม

การถ่ายโอนสไตล์

• Pysticche: กรอบการทำงานสำหรับการถ่ายโอนสไตล์ประสาท
• การตรวจจับตัวอย่างฝ่ายตรงข้ามผ่านลายนิ้วมือประสาท
• อัลกอริธึมประสาทของสไตล์ศิลปะ
• Generative Network หลายสไตล์สำหรับการถ่ายโอนแบบเรียลไทม์
• DeOldify ระบายสีภาพเก่า
• การถ่ายโอนสไตล์ประสาท
• การถ่ายโอนสไตล์ประสาทอย่างรวดเร็ว
• วาดเหมือน Bob Ross

คำบรรยายภาพ

• CLIP (การฝึกอบรมล่วงหน้าภาษาที่ตัดกัน-รูปภาพ)
• Neuraltalk 2 โมเดลคำบรรยายภาพใน PyTorch
• สร้างคำบรรยายจากภาพด้วย PyTorch
• DenseCap: เครือข่ายโลคัลไลเซชันแบบ Convolutional เต็มรูปแบบสำหรับคำบรรยายแบบหนาแน่น

หม้อแปลงไฟฟ้า

• ความสนใจคือสิ่งที่คุณต้องการ
• เครือข่ายหม้อแปลงเชิงพื้นที่

เครือข่ายและฟังก์ชันที่คล้ายคลึงกัน

• เครือข่ายความคล้ายคลึงกันแบบมีเงื่อนไข

การใช้เหตุผล

• การอนุมานและการดำเนินการโปรแกรมเพื่อการให้เหตุผลเชิงภาพ

NLP ทั่วไป

• nanoGPT พื้นที่เก็บข้อมูลที่เร็วที่สุดสำหรับการฝึกอบรม/การปรับแต่ง GPT ขนาดกลาง
• minGPT การปรับใช้ GPT อีกครั้งให้มีขนาดเล็ก สะอาด ตีความได้ และให้ความรู้
• เอสเพรสโซ่ ชุดเครื่องมือการรู้จำเสียงอัตโนมัติของโมดูลประสาท
• การแสดงเอกสารที่รับรู้ฉลากผ่าน Hybrid Attention สำหรับการจัดประเภทข้อความแบบหลายป้ายกำกับขั้นสูง
• XLNet
• การสนทนาโดยการอ่าน: การสนทนาทางประสาทอย่างพึงพอใจด้วยการอ่านเครื่องตามความต้องการ
• การฝึกอบรมแบบจำลองภาษาข้ามภาษา
• Libre Office แปลผ่าน PyTorch NMT
• เบิร์ต
• VSE++: ปรับปรุงการฝัง Visual-Semantic
• การฝังประโยคการเอาใจใส่ตนเองที่มีโครงสร้าง
• แบบจำลองการติดฉลากลำดับประสาท
• ข้ามความคิดเวกเตอร์
• ชุดโปรแกรมที่สมบูรณ์สำหรับการฝึกอบรมโมเดล Seq2Seq ใน PyTorch
• MUSE: การฝังแบบไม่ได้รับการดูแลและควบคุมดูแลหลายภาษา
• TorchMoji: การใช้งาน PyTorch ของ DeepMoji ไปจนถึงภาษาที่ใช้แสดงอารมณ์

คำถามและคำตอบ

• การตอบคำถามด้วยภาพใน Pytorch
• การอ่านวิกิพีเดียเพื่อตอบคำถามแบบเปิดโดเมน
• ตกลงหรือไม่ตกลง? การเรียนรู้แบบครบวงจรสำหรับการเจรจาต่อรอง
• การนับที่ตีความได้สำหรับการตอบคำถามด้วยภาพ
• โอเพ่นซอร์ส Chatbot ด้วย PyTorch

การสร้างและการจดจำคำพูด

• ชุดเครื่องมือรู้จำเสียง PyTorch-Kaldi
• WaveGlow: เครือข่ายกำเนิดตามกระแสสำหรับการสังเคราะห์เสียงพูด
• OpenNMT
• Deep Speech 2: การรู้จำคำพูดจากต้นทางถึงปลายทางในภาษาอังกฤษและภาษาจีนกลาง
• WeNet: ชุดเครื่องมือการรู้จำเสียงพูดตั้งแต่ต้นทางถึงปลายทางที่พร้อมสำหรับการผลิตและการผลิต

การจัดประเภทเอกสารและข้อความ

• เครือข่ายความสนใจแบบลำดับชั้นสำหรับการจำแนกเอกสาร
• เครือข่ายความสนใจแบบลำดับชั้นสำหรับการจำแนกเอกสาร
• การจำแนกข้อความตาม CNN

การสร้างข้อความ

• การสร้างบทกวี Pytorch

ข้อความเป็นรูปภาพ

• การแพร่กระจายที่เสถียร
• ดัล-อี 2
• ดัล-อี

การแปล

• ระบบการแปลด้วยเครื่องประสาทเทียม (NMT) แบบโอเพ่นซอร์ส (MIT)

การวิเคราะห์ความรู้สึก

• โครงข่ายประสาทเทียมที่เกิดซ้ำสำหรับการวิเคราะห์ความรู้สึก (อิงตามมุมมอง) บน SemEval 2014
• การแยกวิเคราะห์เจตนา Seq2Seq
• การปรับแต่ง BERT เพื่อการวิเคราะห์ความเชื่อมั่น

การเรียนรู้การเสริมกำลังเชิงลึก

• การเพิ่มรูปภาพคือสิ่งที่คุณต้องการ: การเรียนรู้การเสริมกำลังเชิงลึกจากพิกเซลให้เป็นปกติ
• การสำรวจโดยการกลั่นแบบเครือข่ายสุ่ม
• EGG: การเกิดขึ้นของ lanGuage ในเกม ใช้งานเกมหลายตัวแทนอย่างรวดเร็วด้วยการสื่อสารช่องทางแยก
• ความแตกต่างชั่วคราว VAE
• Atari A3C Agent ประสิทธิภาพสูงใน 180 Lines PyTorch
• เรียนรู้ว่าเมื่อใดควรสื่อสารในวงกว้างในงานความร่วมมือและการแข่งขันที่มีหลายตัวแทน
• นักแสดง-ความสนใจ-นักวิจารณ์สำหรับการเรียนรู้การเสริมกำลังหลายตัวแทน
• PPO ใน PyTorch C ++
• การเรียนรู้แบบเสริมกำลังสำหรับการแปลเครื่องประสาทโจรด้วยการตอบสนองจำลองของมนุษย์
• วิธีการแบบอะซิงโครนัสสำหรับการเรียนรู้แบบเสริมกำลังเชิงลึก
• การเรียนรู้ Q เชิงลึกอย่างต่อเนื่องพร้อมการเร่งความเร็วตามแบบจำลอง
• วิธีการแบบอะซิงโครนัสสำหรับการเรียนรู้การเสริมกำลังเชิงลึกสำหรับ Atari 2600
• การเพิ่มประสิทธิภาพนโยบายภูมิภาคที่เชื่อถือได้
• การเพิ่มประสิทธิภาพเชิงผสมผสานประสาทด้วยการเรียนรู้แบบเสริมแรง
• เครือข่ายที่มีเสียงดังเพื่อการสำรวจ
• การเพิ่มประสิทธิภาพนโยบายใกล้เคียงแบบกระจาย
• เสริมโมเดลการเรียนรู้ในสภาพแวดล้อม ViZDoom ด้วย PyTorch
• รูปแบบการเรียนรู้แบบเสริมกำลังโดยใช้ Gym และ Pytorch
• SLM-Lab: เฟรมเวิร์กการเรียนรู้การเสริมกำลังเชิงลึกแบบโมดูลาร์ใน PyTorch
• Catalyst.RL

การเรียนรู้แบบเบย์เชิงลึกและการเขียนโปรแกรมความน่าจะเป็น

• BatchBALD: การซื้อชุดที่มีประสิทธิภาพและหลากหลายสำหรับการเรียนรู้เชิงลึกแบบ Bayesian
• การอนุมาน Subspace สำหรับการเรียนรู้เชิงลึกแบบเบย์
• การเรียนรู้เชิงลึกแบบเบย์พร้อมแพ็คเกจการอนุมานแบบแปรผัน
• การเขียนโปรแกรมความน่าจะเป็นและการอนุมานทางสถิติใน PyTorch
• Bayesian CNN พร้อมอนุมานแบบแปรผันใน PyTorch

โครงข่ายประสาทเทียมที่พุ่งสูงขึ้น

• Norse ห้องสมุดเพื่อการเรียนรู้เชิงลึกด้วย Spiking Neural Networks

การตรวจจับความผิดปกติ

• การตรวจจับความผิดปกติทางบัญชีโดยใช้โครงข่ายประสาทเทียมตัวเข้ารหัสอัตโนมัติแบบลึก

ประเภทการถดถอย

• การถดถอยเชิงปริมาณ DQN

อนุกรมเวลา

• เครือข่ายการเอาใจใส่ตนเองแบบคู่สำหรับการพยากรณ์อนุกรมเวลาหลายตัวแปร
• DILATE: การสูญเสียความผิดเพี้ยนด้วย shApe และ tImE
• ตัวเข้ารหัสอัตโนมัติที่เกิดซ้ำแบบแปรผันสำหรับการทำคลัสเตอร์อนุกรมเวลา
• โครงข่ายประสาทเทียมเชิงพื้นที่-ชั่วขณะสำหรับการสร้างแบบจำลองอนุกรมอวกาศ-เวลาและการค้นพบความสัมพันธ์
• Flow Forecast: การเรียนรู้เชิงลึกสำหรับเฟรมเวิร์กการคาดการณ์อนุกรมเวลาที่สร้างใน PyTorch

ชุดข้อมูลสังเคราะห์

• Meta-Sim: เรียนรู้การสร้างชุดข้อมูลสังเคราะห์

การปรับปรุงทั่วไปของโครงข่ายประสาทเทียม

• BatchNorm ที่เปิดใช้งานแบบแทนที่สำหรับการฝึกอบรม DNN ที่เพิ่มประสิทธิภาพหน่วยความจำ
• ฝึกให้นานขึ้น พูดเป็นนัยได้ดีขึ้น: ปิดช่องว่างลักษณะทั่วไปในการฝึกฝนโครงข่ายประสาทเทียมจำนวนมาก
• FreezeOut: เร่งการฝึกอบรมด้วยการแช่แข็งเลเยอร์อย่างต่อเนื่อง
• เซลล์ประสาท Stochastic แบบไบนารี
• การรวม Bilinear ขนาดกะทัดรัด
• การฝึกอบรมความแม่นยำแบบผสมใน PyTorch

การประยุกต์ใช้ DNN ในวิชาเคมีและฟิสิกส์

• Wave Physics เป็นโครงข่ายประสาทเทียมแบบอะนาล็อกที่เกิดซ้ำ
• การส่งผ่านข้อความประสาทสำหรับเคมีควอนตัม
• การออกแบบทางเคมีอัตโนมัติโดยใช้การแสดงโมเลกุลอย่างต่อเนื่องโดยขับเคลื่อนด้วยข้อมูล
• การเรียนรู้เชิงลึกสำหรับกระบวนการทางกายภาพ: การบูรณาการความรู้ทางวิทยาศาสตร์ในอดีต
• การจำลองระดับโมเลกุลเชิงอนุพันธ์เพื่อการเรียนรู้และการควบคุม

แนวคิดใหม่เกี่ยวกับสถาปัตยกรรมโครงข่ายประสาทเทียมทั่วไป

• การฝึกอบรมตามวัตถุประสงค์เสริม
• การเชื่อมต่อประสาทแบบแยกส่วนโดยใช้การไล่ระดับสีสังเคราะห์

พีชคณิตเชิงเส้น

• Eigenvector จากค่าลักษณะเฉพาะ

API นามธรรม

• เลเยอร์คบเพลิง, การอนุมานรูปร่างสำหรับ PyTorch, เลเยอร์ SOTA
• Hummingbird รันโมเดล scikit-learn ที่ได้รับการฝึกอบรมบน GPU ด้วย PyTorch

สาธารณูปโภคระดับต่ำ

• TorchSharp, .NET API พร้อมการเข้าถึงไลบรารีพื้นฐานที่ขับเคลื่อน PyTorch

ยูทิลิตี้ PyTorch

• Functorch: ต้นแบบของหม้อแปลงฟังก์ชันที่เขียนได้เหมือน JAX สำหรับ PyTorch
• Poutyne: กรอบการทำงานแบบง่ายสำหรับการฝึกอบรมโครงข่ายประสาทเทียม
• การเรียนรู้เมตริก PyTorch
• Kornia: ไลบรารีคอมพิวเตอร์วิทัศน์ที่สร้างความแตกต่างได้แบบโอเพ่นซอร์สสำหรับ PyTorch
• BackPACK เพื่อแยกความแปรปรวน เส้นทแยงมุมของ Gauss-Newton และ KFAC ได้อย่างง่ายดาย
• PyHessian สำหรับการคำนวณค่าลักษณะเฉพาะของ Hessian ร่องรอยของเมทริกซ์ และ ESD
• เฮสเซียนใน PyTorch
• ชั้นนูนที่แยกความแตกต่างได้
• อัลบัม: ไลบรารีการเพิ่มรูปภาพอย่างรวดเร็ว
• สูงกว่า ได้รับการไล่ระดับลำดับที่สูงขึ้นจากการสูญเสียซึ่งครอบคลุมลูปการฝึก
• Neural Pipeline, ไปป์ไลน์การฝึกอบรมสำหรับ PyTorch
• PyTorch Model Profiler แบบทีละชั้นสำหรับตรวจสอบการใช้เวลาของโมเดล
• การกระจายแบบกระจัดกระจาย
• Diffdist เพิ่มการสนับสนุนสำหรับการสื่อสารที่แตกต่างซึ่งช่วยให้เกิดความเท่าเทียมของโมเดลแบบกระจาย
• HessianFlow ห้องสมุดสำหรับอัลกอริทึมแบบ Hessian
• Texar ชุดเครื่องมือ PyTorch สำหรับการสร้างข้อความ
• ตัวนับ PyTorch FLOP
• การอนุมาน PyTorch บน C ++ ใน Windows
• EuclidesDB ฐานข้อมูลฟีเจอร์แมชชีนเลิร์นนิงหลายรุ่น
• การเพิ่มข้อมูลและการสุ่มตัวอย่างสำหรับ Pytorch
• PyText ซึ่งเป็นเฟรมเวิร์กการสร้างแบบจำลอง NLP ที่ใช้การเรียนรู้เชิงลึก ได้รับการดูแลอย่างเป็นทางการโดย FAIR
• Torchstat สำหรับสถิติในโมเดล PyTorch
• โหลดไฟล์เสียงลงใน PyTorch Tensors โดยตรง
• การเริ่มต้นน้ำหนัก
• หม้อแปลงเชิงพื้นที่ใช้งานใน PyTorch
• PyTorch AWS AMI รัน PyTorch พร้อมรองรับ GPU ในเวลาไม่ถึง 5 นาที
• ใช้เทนเซอร์บอร์ดกับ PyTorch
• Simple Fit Module ใน PyTorch คล้ายกับ Keras
• torchbearer: ไลบรารี่ที่เหมาะกับโมเดลสำหรับ PyTorch
• ตัวแปลงโมเดล PyTorch เป็น Keras
• ตัวแปลงโมเดล Gluon เป็น PyTorch พร้อมการสร้างโค้ด
• Catalyst: ยูทิลิตี้ระดับสูงสำหรับการวิจัย PyTorch DL & RL
• PyTorch Lightning: กรอบการวิจัยการเรียนรู้เชิงลึกที่ปรับขนาดได้และมีน้ำหนักเบา
• กำหนด: แพลตฟอร์มการเรียนรู้เชิงลึกที่ปรับขนาดได้พร้อมการรองรับ PyTorch
• PyTorch-Ignite: ไลบรารีระดับสูงเพื่อช่วยในการฝึกอบรมและประเมินโครงข่ายประสาทเทียมใน PyTorch อย่างยืดหยุ่นและโปร่งใส
• torchvision: แพ็คเกจที่ประกอบด้วยชุดข้อมูลยอดนิยม สถาปัตยกรรมแบบจำลอง และการแปลงรูปภาพทั่วไปสำหรับคอมพิวเตอร์วิทัศน์
• Poutyne: เฟรมเวิร์กที่คล้ายกับ Keras สำหรับ PyTorch และจัดการโค้ดสำเร็จรูปส่วนใหญ่ที่จำเป็นในการฝึกโครงข่ายประสาทเทียม
• torchensemble: Scikit- เรียนรู้เหมือนวิธีการทั้งมวลใน PyTorch
• TorchFix - linter สำหรับโค้ดที่ใช้ PyTorch พร้อมการสนับสนุนการแก้ไขอัตโนมัติ

วิดีโอสอน PyTorch

• PyTorch Zero สำหรับการบรรยายทั้งหมด
• PyTorch สำหรับการเรียนรู้เชิงลึกแบบเต็มหลักสูตร
• PyTorch Lightning 101 กับ Alfredo Canziani และ William Falcon
• การเรียนรู้เชิงลึกเชิงปฏิบัติด้วย PyTorch

ชุมชน

• ฟอรัมสนทนา PyTorch
• แท็ก StackOverflow PyTorch
• ตัวเร่งปฏิกิริยาหย่อน

ที่จะได้รับการจำแนกประเภท

• โครงข่ายประสาทเทียมที่ก่อกวน
• ศักยภาพโครงข่ายประสาทเทียมที่แม่นยำ
• ปรับขนาดการเปลี่ยนแปลงที่กระจัดกระจาย: เครือข่าย Deep Hybrid
• CortexNet: กลุ่มเครือข่ายทั่วไปสำหรับการนำเสนอภาพชั่วคราวที่แข็งแกร่ง
• เครือข่ายตอบสนองเชิงมุ่งเน้น
• เครือข่ายการบีบอัดแบบเชื่อมโยง
• คลาริเน็ต
• การแปลงเวฟเล็ตอย่างต่อเนื่อง
• การผสมผสาน: นอกเหนือจากการลดความเสี่ยงเชิงประจักษ์
• เครือข่ายในเครือข่าย
• เครือข่ายทางหลวง
• การประมวลผลแบบไฮบริดโดยใช้โครงข่ายประสาทเทียมพร้อมหน่วยความจำภายนอกแบบไดนามิก
• เครือข่ายการวนซ้ำคุณค่า
• คอมพิวเตอร์ประสาทที่แตกต่าง
• การแสดงทางประสาทของภาพวาดร่าง
• ทำความเข้าใจการแสดงภาพเชิงลึกโดยการกลับภาพ
• NIMA: การประเมินภาพประสาท
• NASNet-A-Mobile ตุ้มน้ำหนักที่ย้ายแล้ว
• โมเดลการสร้างโค้ดกราฟิกโดยใช้การประมวลผล

ลิงก์ไปยังพื้นที่เก็บข้อมูลนี้

• พื้นที่เก็บข้อมูล Github
• เว็บไซต์

ผลงาน

อย่าลังเลที่จะมีส่วนร่วม!

คุณสามารถแจ้งปัญหาหรือส่งคำขอดึงได้แล้วแต่ความสะดวกของคุณ แนวทางปฏิบัตินั้นเรียบง่าย เพียงทำตามรูปแบบของสัญลักษณ์แสดงหัวข้อย่อยก่อนหน้า หรือสร้างส่วนใหม่หากเป็นหมวดหมู่ใหม่