รายการไพทอร์ชที่ยอดเยี่ยม

รายการ Pyrorch ที่ยอดเยี่ยม

สารบัญ

• Pytorch และไลบรารีที่เกี่ยวข้อง
  • NLP และการประมวลผลคำพูด
  • คอมพิวเตอร์วิทัศน์
  • ห้องสมุดความน่าจะเป็น/กำเนิด
  • ห้องสมุดอื่นๆ
• บทช่วยสอน หนังสือ และตัวอย่าง
• การใช้งานกระดาษ
• การเสวนาและการประชุม
• ไพทอร์ชอยู่ที่อื่น

Pytorch และไลบรารีที่เกี่ยวข้อง

1. pytorch: เทนเซอร์และโครงข่ายประสาทเทียมแบบไดนามิกใน Python พร้อมการเร่งความเร็ว GPU ที่แข็งแกร่ง
2. Captum: โมเดลการตีความและความเข้าใจสำหรับ PyTorch

NLP และการประมวลผลคำพูด:

1. ข้อความ pytorch: เนื้อหาที่เกี่ยวข้องกับข้อความคบเพลิง
2. pytorch-seq2seq: เฟรมเวิร์กสำหรับโมเดลลำดับต่อลำดับ (seq2seq) ที่นำมาใช้ใน PyTorch
3. anuvada: โมเดลที่ตีความได้สำหรับ NLP โดยใช้ PyTorch
4. เสียง: I/O เสียงอย่างง่ายสำหรับ pytorch
5. วนซ้ำ: วิธีการสร้างเสียงพูดผ่านลำโพงหลายตัว
6. fairseq-py: ชุดเครื่องมือ AI Research Sequence-to-Sequence ของ Facebook ที่เขียนด้วย Python
7. คำพูด: การใช้งาน PyTorch ASR
8. OpenNMT-py: การแปลเครื่องประสาทแบบโอเพ่นซอร์สใน PyTorch http://opennmt.net
9. neuralcoref: ความละเอียดการประมวลผลคอร์ที่ล้ำสมัยโดยอิงจากโครงข่ายประสาทเทียมและ spaCy Huggingface.co/coref
10. การค้นพบความรู้สึก: การสร้างแบบจำลองภาษาแบบไม่มีผู้ดูแลในระดับที่เหมาะสมเพื่อการจำแนกความคิดเห็นที่แข็งแกร่ง
11. MUSE: ห้องสมุดสำหรับการฝังคำที่ไม่ได้รับการดูแลหรือควบคุมหลายภาษา
12. nmtpytorch: กรอบงานการแปลเครื่องประสาทใน PyTorch
13. pytorch-wavenet: การใช้งาน WaveNet ด้วยการสร้างที่รวดเร็ว
14. Tacotron-pytorch: Tacotron: สู่การสังเคราะห์คำพูดจากต้นทางถึงปลายทาง
15. AllenNLP: ห้องสมุดวิจัย NLP แบบโอเพ่นซอร์สที่สร้างบน PyTorch
16. PyTorch-NLP: ยูทิลิตี้ข้อความและชุดข้อมูลสำหรับ PyTorch pytorchnlp.readthedocs.io
17. Quick-nlp: ไลบรารี Pytorch NLP ที่ใช้ FastAI
18. TTS: การเรียนรู้เชิงลึกสำหรับ Text2Speech
19. LASER: การแสดงความรู้สึกโดยไม่เชื่อเรื่องภาษา
20. pyannote-audio: โครงสร้างประสาทสำหรับการแยกเสียงของผู้พูด: การตรวจจับกิจกรรมคำพูด, การตรวจจับการเปลี่ยนแปลงของลำโพง, การฝังลำโพง
21. Gensen: การเรียนรู้การนำเสนอประโยคแบบกระจายเพื่อวัตถุประสงค์ทั่วไปผ่านการเรียนรู้แบบมัลติทาสก์ขนาดใหญ่
22. แปล: แปล - ไลบรารีภาษา PyTorch
23. espnet: ชุดเครื่องมือประมวลผลคำพูดจากต้นทางถึงปลายทาง espnet.github.io/espnet
24. pythia: ชุดซอฟต์แวร์สำหรับการตอบคำถามด้วยภาพ
25. UnsupervisedMT: การแปลด้วยเครื่องแบบวลีและแบบนิวรัลแบบไม่มีผู้ดูแล
26. jiant: ชุดเครื่องมือการเรียนรู้การแสดงประโยค jiant
27. BERT-PyTorch: การนำ Pytorch ไปใช้ 2018 BERT ของ Google AI พร้อมคำอธิบายประกอบแบบง่ายๆ
28. InferSent: การฝังประโยค (InferSent) และโค้ดการฝึกอบรมสำหรับ NLI
29. uis-rnn: นี่คือไลบรารีสำหรับอัลกอริธึม Unbounded Interleaved-State Recurrent Neural Network (UIS-RNN) ซึ่งสอดคล้องกับ Diarization ของลำโพงที่ได้รับการดูแลอย่างเต็มที่ arxiv.org/abs/1810.04719
30. ไหวพริบ: กรอบการทำงานที่เรียบง่ายสำหรับการประมวลผลภาษาธรรมชาติ (NLP) ที่ล้ำสมัย
31. pytext: เฟรมเวิร์กการสร้างแบบจำลองภาษาธรรมชาติที่ใช้ PyTorch fb.me/pytextdocs
32. ตัวกรองเสียง: การใช้งาน PyTorch อย่างไม่เป็นทางการของระบบ VoiceFilter ของ Google AI http://swpark.me/voicefilter
33. BERT-NER: Pytorch-Named-Entity-Recognition-with-BERT
34. Transfer-nlp: ไลบรารี NLP ที่ออกแบบมาเพื่อการวิจัยและพัฒนาที่ยืดหยุ่น
35. texar-pytorch: ชุดเครื่องมือสำหรับการเรียนรู้ของเครื่องและการสร้างข้อความใน PyTorch texar.io
36. pytorch-kaldi: pytorch-kaldi เป็นโครงการสำหรับการพัฒนาระบบรู้จำเสียงพูดแบบไฮบริด DNN/RNN ที่ล้ำสมัย ส่วน DNN ได้รับการจัดการโดย pytorch ในขณะที่การแยกคุณสมบัติ การคำนวณฉลาก และการถอดรหัสจะดำเนินการด้วยชุดเครื่องมือ kaldi
37. NeMo: โมดูลประสาท: ชุดเครื่องมือสำหรับ AI การสนทนา nvidia.github.io/NeMo
38. pytorch-struct: ไลบรารีของการใช้งานเวกเตอร์ของอัลกอริธึมการทำนายที่มีโครงสร้างหลัก (HMM, Dep Trees, CKY, ..,)
39. เอสเปรสโซ: เอสเปรสโซ: ชุดเครื่องมือการรู้จำเสียงพูดแบบนิวรัลแบบ End-to-End ที่รวดเร็ว
40. Transformers: Huggingface Transformers: การประมวลผลภาษาธรรมชาติที่ล้ำสมัยสำหรับ TensorFlow 2.0 และ PyTorch Huggingface.co/transformers
41. Reformer-pytorch: Reformer หม้อแปลงไฟฟ้าที่มีประสิทธิภาพใน Pytorch
42. torch-metrics: ตัวชี้วัดสำหรับการประเมินแบบจำลองใน pytorch
43. Speechbrain: SpeechBrain เป็นชุดเครื่องมือคำพูดแบบโอเพ่นซอร์สและครบวงจรที่ใช้ PyTorch
44. Backprop: Backprop ทำให้ง่ายต่อการใช้งาน ปรับแต่ง และปรับใช้โมเดล ML ที่ล้ำสมัย

ประวัติย่อ:

1. ไพทอร์ชวิชัน: ชุดข้อมูล การแปลง และโมเดลเฉพาะสำหรับคอมพิวเตอร์วิทัศน์
2. pt-styletransfer: การถ่ายโอนสไตล์ประสาทเป็นคลาสใน PyTorch
3. OpenFacePytorch: โมดูล PyTorch เพื่อใช้โมเดล nn4.small2.v1.t7 ของ OpenFace
4. img_classification_pk_pytorch: เปรียบเทียบโมเดลการจัดหมวดหมู่รูปภาพของคุณกับโมเดลล้ำสมัยอย่างรวดเร็ว (เช่น DenseNet, ResNet, ...)
5. SparseConvNet: เครือข่าย Convolutional กระจัดกระจาย Submanifold
6. Convolution_LSTM_pytorch: โมดูล LSTM แบบบิดหลายชั้น
7. การจัดตำแหน่งใบหน้า: สร้างไลบรารีการจัดตำแหน่งใบหน้า 2D และ 3D โดยใช้ pytorch adrianbulat.com
8. pytorch-semantic-segmentation: PyTorch สำหรับการแบ่งส่วนความหมาย
9. RoIALign.pytorch: นี่คือ RoIALign เวอร์ชัน PyTorch การใช้งานนี้อิงตาม crop_and_resize และรองรับ CPU และ GPU ทั้งแบบเดินหน้าและถอยหลัง
10. pytorch-cnn-finetune: ปรับแต่ง Convolutional Neural Networks ที่ได้รับการฝึกมาล่วงหน้าอย่างละเอียดด้วย PyTorch
11. detectorch: Detectorch - เครื่องตรวจจับสำหรับ PyTorch
12. Augmentor: ไลบรารีการเพิ่มรูปภาพใน Python สำหรับการเรียนรู้ของเครื่อง http://augmentor.readthedocs.io
13. s2cnn: ไลบรารีนี้มีการใช้งาน PyTorch ของ CNN ที่เทียบเท่า SO(3) สำหรับสัญญาณทรงกลม (เช่น กล้องรอบทิศทาง สัญญาณบนโลก)
14. TorchCV: กรอบงานที่ใช้ PyTorch สำหรับการเรียนรู้เชิงลึกในการมองเห็นคอมพิวเตอร์
15. maskrcnn-benchmark: การใช้งานอ้างอิงแบบโมดูลาร์ที่รวดเร็วของการแบ่งส่วนอินสแตนซ์และอัลกอริธึมการตรวจจับวัตถุใน PyTorch
16. image-classification-mobile: การรวบรวมโมเดลการจัดหมวดหมู่ที่ได้รับการฝึกล่วงหน้าบน ImageNet-1K
17. medicaltorch: กรอบงานการถ่ายภาพทางการแพทย์สำหรับ Pytorch http://medicaltorch.readthedocs.io
18. อัลบัม: ไลบรารีการเพิ่มรูปภาพที่รวดเร็ว
19. Kornia: ไลบรารีการมองเห็นคอมพิวเตอร์ที่แตกต่าง
20. pytorch-text-recognition: คำสั่งผสมการรู้จำข้อความ - CRAFT + CRNN
21. facenet-pytorch: โมเดลการตรวจจับและการจดจำใบหน้า Pytorch ที่ได้รับการฝึกอบรมมาจาก davidsandberg/facenet
22. detectorn2: Detectron2 เป็นแพลตฟอร์มการวิจัยเจเนอเรชั่นใหม่ของ FAIR สำหรับการตรวจจับและแบ่งส่วนวัตถุ
23. vedaseg: กรอบการแบ่งส่วนความหมายโดย pyotrch
24. ClassyVision: เฟรมเวิร์ก PyTorch แบบครบวงจรสำหรับการจัดหมวดหมู่รูปภาพและวิดีโอ
25. detector: คอมพิวเตอร์วิทัศน์ใน Python ที่มีโค้ดน้อยกว่า 10 บรรทัด
26. pytorch3d: PyTorch3D คือไลบรารีของ FAIR ที่มีส่วนประกอบที่นำมาใช้ซ้ำได้สำหรับการเรียนรู้เชิงลึกด้วยข้อมูล 3 มิติ pytorch3d.org
27. MMDetection: MMDetection คือกล่องเครื่องมือการตรวจจับวัตถุโอเพ่นซอร์ส ซึ่งเป็นส่วนหนึ่งของโครงการ OpenMMLab
28. neural-dream: การใช้งาน PyTorch ของอัลกอริทึม DeepDream สร้างภาพหลอนประสาทเหมือนฝัน
29. FlashTorch: ชุดเครื่องมือแสดงภาพสำหรับโครงข่ายประสาทเทียมใน PyTorch!
30. Lucent: Lucid ของ Tensorflow และ OpenAI Clarity ปรับให้เหมาะกับ PyTorch
31. MMDetection3D: MMDetection3D เป็นแพลตฟอร์มเจเนอเรชั่นใหม่ของ OpenMMLab สำหรับการตรวจจับวัตถุ 3 มิติทั่วไป ซึ่งเป็นส่วนหนึ่งของโครงการ OpenMMLab
32. MMSegmentation: MMSegmentation คือกล่องเครื่องมือการแบ่งส่วนความหมายและเกณฑ์มาตรฐาน ซึ่งเป็นส่วนหนึ่งของโครงการ OpenMMLab
33. MMEditing: MMEditing คือกล่องเครื่องมือแก้ไขรูปภาพและวิดีโอ ซึ่งเป็นส่วนหนึ่งของโครงการ OpenMMLab
34. MMAction2: MMAction2 คือกล่องเครื่องมือและเกณฑ์มาตรฐานการดำเนินการยุคถัดไปของ OpenMMLab ซึ่งเป็นส่วนหนึ่งของโครงการ OpenMMLab
35. MMPose: MMPose คือกล่องเครื่องมือและเกณฑ์มาตรฐานการประมาณท่าทาง ซึ่งเป็นส่วนหนึ่งของโครงการ OpenMMLab
36. lightly - Lightly เป็นกรอบงานคอมพิวเตอร์วิทัศน์สำหรับการเรียนรู้ด้วยตนเอง
37. RoMa: ไลบรารีน้ำหนักเบาและมีประสิทธิภาพในการจัดการกับการหมุน 3 มิติ

ห้องสมุดความน่าจะเป็น/กำเนิด:

1. ptstat: การเขียนโปรแกรมความน่าจะเป็นและการอนุมานทางสถิติใน PyTorch
2. pyro: การเขียนโปรแกรมความน่าจะเป็นสากลเชิงลึกด้วย Python และ PyTorch http://pyro.ai
3. probtorch: Probabilistic Torch เป็นไลบรารีสำหรับโมเดลเชิงลึกที่ขยาย PyTorch
4. การจ่ายเงิน: การเรียนรู้แบบไม่มีผู้ดูแลและแบบจำลองการกำเนิดใน python/pytorch
5. pyvarinf: แพ็คเกจ Python อำนวยความสะดวกในการใช้วิธี Bayesian Deep Learning พร้อมการอนุมานแบบแปรผันสำหรับ PyTorch
6. pyprob: ไลบรารีที่ใช้ PyTorch สำหรับการเขียนโปรแกรมความน่าจะเป็นและการรวบรวมการอนุมาน
7. mia: ไลบรารีสำหรับเรียกใช้การโจมตีแบบอนุมานสมาชิกกับโมเดล ML
8. pro_gan_pytorch: แพ็คเกจ ProGAN นำไปใช้เป็นส่วนขยายของ PyTorch nn.Module
9. botorch: การเพิ่มประสิทธิภาพแบบเบย์ใน PyTorch

ห้องสมุดอื่นๆ:

1. ความพิเศษของ pytorch: คุณสมบัติพิเศษบางอย่างสำหรับ pytorch
2. สวนสัตว์ที่ใช้งานได้จริง: PyTorch ต่างจาก lua torch ตรงที่มี autograd อยู่ในแกนกลาง ดังนั้นการใช้โครงสร้างโมดูลาร์ของโมดูล torch.nn จึงไม่จำเป็น เราสามารถจัดสรรตัวแปรที่ต้องการได้อย่างง่ายดาย และเขียนฟังก์ชันที่ใช้ตัวแปรเหล่านั้น ซึ่งบางครั้งก็สะดวกกว่า การซื้อคืนนี้มีคำจำกัดความของโมเดลในลักษณะการทำงานนี้ พร้อมน้ำหนักที่ฝึกไว้ล่วงหน้าสำหรับบางรุ่น
3. การสุ่มตัวอย่างคบเพลิง: แพ็คเกจนี้จัดเตรียมชุดของการแปลงและโครงสร้างข้อมูลสำหรับการสุ่มตัวอย่างจากข้อมูลในหน่วยความจำหรือข้อมูลนอกหน่วยความจำ
4. torchcraft-py: wrapper Python สำหรับ TorchCraft ซึ่งเป็นสะพานเชื่อมระหว่าง Torch และ StarCraft สำหรับการวิจัย AI
5. aorun: Aorun ตั้งใจจะเป็น Keras โดยมี PyTorch เป็นแบ็กเอนด์
6. คนตัดไม้: คนตัดไม้อย่างง่ายสำหรับการทดลอง
7. PyTorch-docset: ชุดเอกสาร PyTorch! ใช้กับ Dash, Zeal, Velocity หรือ LovelyDocs
8. Convert_torch_to_pytorch: แปลงโมเดล torch t7 เป็นโมเดล pytorch และแหล่งที่มา
9. pretrained-models.pytorch: เป้าหมายของ repo นี้คือการช่วยสร้างผลลัพธ์งานวิจัย
10. pytorch_fft: wrapper PyTorch สำหรับ FFT
11. caffe_to_torch_to_pytorch
12. pytorch-extension: นี่คือส่วนขยาย CUDA สำหรับ PyTorch ซึ่งคำนวณผลิตภัณฑ์ Hadamard ของเทนเซอร์สองตัว
13. tensorboard-pytorch: โมดูลนี้จะบันทึก PyTorch tensors ในรูปแบบเทนเซอร์บอร์ดเพื่อการตรวจสอบ ปัจจุบันรองรับฟีเจอร์สเกลาร์ รูปภาพ เสียง ฮิสโตแกรมในเทนเซอร์บอร์ด
14. gpytorch: GPyTorch เป็นไลบรารีกระบวนการ Gaussian ซึ่งใช้งานโดยใช้ PyTorch ได้รับการออกแบบมาเพื่อการสร้างแบบจำลอง Gaussian Process ที่ยืดหยุ่นและเป็นโมดูลได้อย่างง่ายดาย ดังนั้นคุณไม่จำเป็นต้องเป็นผู้เชี่ยวชาญในการใช้ GP
15. สปอตไลท์: โมเดลผู้แนะนำเชิงลึกโดยใช้ PyTorch
16. pytorch-cns: การค้นหาเครือข่ายที่บีบอัดด้วย PyTorch
17. pyinn: CuPy หลอมรวมการทำงานของเครือข่ายประสาทเทียม PyTorch
18. inferno: ไลบรารียูทิลิตี้รอบ PyTorch
19. pytorch-fitmodule: วิธีการพอดีที่ง่ายมากสำหรับโมดูล PyTorch
20. inferno-sklearn: ไลบรารีเครือข่ายประสาทเทียมที่เข้ากันได้กับ scikit-learn ที่ล้อมรอบ pytorch
21. pytorch-caffe-darknet-convert: แปลงระหว่าง pytorch, caffe prototxt/weights และ darknet cfg/weights
22. pytorch2caffe: แปลงโมเดล PyTorch เป็น Caffemodel
23. pytorch-tools: เครื่องมือสำหรับ PyTorch
24. sru: การฝึกอบรม RNN ให้เร็วเท่ากับ CNN (arxiv.org/abs/1709.02755)
25. torch2coreml: Torch7 -> CoreML
26. การเข้ารหัส PyTorch: เครือข่ายการเข้ารหัสพื้นผิวลึก PyTorch http://hangzh.com/PyTorch-Encoding
27. pytorch-ctc: PyTorch-CTC เป็นการใช้งานการถอดรหัสการค้นหาลำแสง CTC (Connectionist Temporal Classification) สำหรับ PyTorch รหัส C++ ยืมมาอย่างเสรีจาก TensorFlow พร้อมการปรับปรุงบางอย่างเพื่อเพิ่มความยืดหยุ่น
28. Candlegp: กระบวนการแบบเกาส์เซียนใน Pytorch
29. dpwa: การเรียนรู้แบบกระจายโดยการหาค่าเฉลี่ยแบบคู่
30. dni-pytorch: อินเทอร์เฟซประสาทแบบแยกส่วนโดยใช้การไล่ระดับสีสังเคราะห์สำหรับ PyTorch
31. skorch: ไลบรารีเครือข่ายประสาทเทียมที่เข้ากันได้กับ scikit-learn ที่ล้อมรอบ pytorch
32. ignite: Ignite เป็นไลบรารีระดับสูงที่ช่วยฝึกอบรมโครงข่ายประสาทเทียมใน PyTorch
33. อาร์โนลด์: อาร์โนลด์ - ตัวแทน DOOM
34. pytorch-mcn: แปลงโมเดลจาก MatConvNet เป็น PyTorch
35. simple-faster-rcnn-pytorch: การใช้งาน Faster R-CNN ที่เรียบง่ายพร้อมประสิทธิภาพที่แข่งขันได้
36. generative_zoo: generative_zoo เป็นที่เก็บข้อมูลที่ให้การใช้งานการทำงานของโมเดลกำเนิดบางรุ่นใน PyTorch
37. pytorchviz: แพ็คเกจขนาดเล็กสำหรับสร้างการแสดงกราฟการทำงานของ PyTorch
38. cogitare: Cogitare - เฟรมเวิร์กการเรียนรู้เชิงลึกและการเรียนรู้ของเครื่องที่ทันสมัย ​​รวดเร็ว และแยกส่วนใน Python
39. pydlt: กล่องเครื่องมือการเรียนรู้เชิงลึกที่ใช้ PyTorch
40. semi-supervised-pytorch: การใช้งานโมเดลกึ่งกำกับดูแลและกำเนิดที่ใช้ VAE ที่แตกต่างกันใน PyTorch
41. pytorch_cluster: ไลบรารีส่วนขยาย PyTorch ของอัลกอริธึมคลัสเตอร์กราฟที่ปรับให้เหมาะสม
42. neural-assembly-compiler: คอมไพเลอร์การประกอบประสาทสำหรับ pyTorch ที่ใช้การรวบรวมแบบปรับตัวได้
43. caffemodel2pytorch: แปลงโมเดล Caffe เป็น PyTorch
44. extension-cpp: ส่วนขยาย C ++ ใน PyTorch
45. pytoune: เฟรมเวิร์กและยูทิลิตี้คล้าย Keras สำหรับ PyTorch
46. การเสริมกำลังด้วย jetson: ไลบรารีการเรียนรู้การเสริมกำลังเชิงลึกสำหรับ NVIDIA Jetson TX1/TX2 พร้อม PyTorch, OpenAI Gym และเครื่องจำลองหุ่นยนต์ Gazebo
47. กลักไม้ขีดไฟ: เขียนโค้ด PyTorch ในระดับตัวอย่างแต่ละรายการ จากนั้นรันโค้ดบนมินิแบทช์อย่างมีประสิทธิภาพ
48. torch-two-sample: ไลบรารี PyTorch สำหรับการทดสอบสองตัวอย่าง
49. pytorch-summary: สรุปโมเดลใน PyTorch คล้ายกับ model.summary() ใน Keras
50. mpl.pytorch: การใช้งาน Pytorch ของ MaxPoolingLoss
51. scVI-dev: สาขาการพัฒนาของโครงการ scVI ใน PyTorch
52. apex: ส่วนขยาย PyTorch แบบทดลอง (จะเลิกใช้งานในภายหลัง)
53. ELF: ELF: แพลตฟอร์มสำหรับการวิจัยเกม
54. Torchlite: ไลบรารีระดับสูงที่อยู่ด้านบนของ Pytorch (ไม่เพียงเท่านั้น)
55. joint-vae: การใช้งาน Pytorch ของ JointVAE ซึ่งเป็นกรอบการทำงานสำหรับการแยกปัจจัยที่ต่อเนื่องและไม่ต่อเนื่องของการเปลี่ยนแปลง star2
56. SLM-Lab: เฟรมเวิร์กการเรียนรู้การเสริมกำลังแบบโมดูลาร์ใน PyTorch
57. bindsnet: แพ็คเกจ Python ที่ใช้สำหรับจำลองเครือข่ายประสาทเทียม (SNN) บน CPU หรือ GPU โดยใช้ PyTorch
58. pro_gan_pytorch: แพ็คเกจ ProGAN นำไปใช้เป็นส่วนขยายของ PyTorch nn.Module
59. pytorch_geometric: ไลบรารีส่วนขยายการเรียนรู้เชิงลึกเชิงเรขาคณิตสำหรับ PyTorch
60. torchplus: ใช้ตัวดำเนินการ + บนโมดูล PyTorch โดยส่งคืนลำดับ
61. lagom: lagom: โครงสร้างพื้นฐาน PyTorch แบบเบาเพื่อสร้างต้นแบบอัลกอริธึมการเรียนรู้การเสริมกำลังอย่างรวดเร็ว
62. torchbearer: torchbearer: ห้องสมุดฝึกอบรมแบบจำลองสำหรับนักวิจัยที่ใช้ PyTorch
63. pytorch-maml-rl: การเรียนรู้แบบเสริมแรงด้วย Meta-Learning แบบไม่เชื่อเรื่องพระเจ้าใน Pytorch
64. NALU: การใช้งานไพทอร์ชขั้นพื้นฐานของ NAC/NALU จากเอกสาร Neural Arithmetic Logic Units โดย trask et.al arxiv.org/pdf/1808.00508.pdf
65. QuCumber: การสร้างฟังก์ชั่นคลื่นหลายตัวของโครงข่ายประสาทเทียมใหม่
66. magnet: โครงการ Deep Learning ที่สร้างตัวเอง http://magnet-dl.readthedocs.io/
67. opencv_transforms: การใช้งาน OpenCV ของการเพิ่มรูปภาพของ Torchvision
68. fastai: ไลบรารีการเรียนรู้เชิงลึก บทเรียน และบทแนะนำสอนการใช้งาน fast.ai
69. pytorch-dense-correspondence: รหัสสำหรับ "Dense Object Nets: การเรียนรู้ตัวอธิบายวัตถุภาพหนาแน่นโดยและสำหรับการจัดการด้วยหุ่นยนต์" arxiv.org/pdf/1806.08756.pdf
70. colorization-pytorch: การปรับใช้ PyTorch ของ Interactive Deep Colorization richzhang.github.io/ideepcolor
71. beauty-net: เทมเพลตที่เรียบง่าย ยืดหยุ่น และขยายได้สำหรับ PyTorch มันสวยงามมาก
72. OpenChem: OpenChem: ชุดเครื่องมือการเรียนรู้เชิงลึกสำหรับการวิจัยเคมีเชิงคำนวณและการออกแบบยา mariewelt.github.io/OpenChem
73. torchani: ศักยภาพเครือข่ายประสาทที่แม่นยำบน PyTorch aiqm.github.io/torchani
74. PyTorch-LBFGS: การใช้งาน PyTorch ของ L-BFGS
75. gpytorch: การใช้งานแบบโมดูลาร์ของกระบวนการ Gaussian ใน PyTorch ที่มีประสิทธิภาพสูง
76. hessian: hessian ใน pytorch
77. vel: ความเร็วในการวิจัยเชิงลึก
78. nonechucks: ข้ามรายการที่ไม่ดีใน PyTorch DataLoader ของคุณ ใช้การแปลงเป็นตัวกรอง และอื่นๆ อีกมากมาย!
79. torchstat: ตัววิเคราะห์โมเดลใน PyTorch
80. QNNPACK: แพ็คเกจเครือข่ายประสาทเชิงปริมาณ - การใช้งานที่ปรับให้เหมาะสมบนมือถือของผู้ให้บริการเครือข่ายประสาทเทียมเชิงปริมาณ
81. torchdiffeq: ตัวแก้ปัญหา ODE ที่สร้างความแตกต่างได้พร้อมการรองรับ GPU เต็มรูปแบบและการแบ็คอัพหน่วยความจำ O(1)
82. redner: ตัวติดตามเส้นทางมอนติคาร์โลที่แตกต่าง
83. pixyz: ไลบรารีสำหรับการพัฒนาโมเดลเชิงลึกในลักษณะที่กระชับ ใช้งานง่าย และขยายเพิ่มเติมได้
84. euclidesdb: คุณลักษณะการเรียนรู้ของเครื่องหลายรุ่นฝังฐานข้อมูล http://euclidesdb.readthedocs.io
85. pytorch2keras: แปลงกราฟไดนามิก PyTorch เป็นโมเดล Keras
86. สลัด: การเรียนรู้แบบกึ่งกำกับดูแลและการปรับโดเมน
87. netharn: ความพอดีแบบกำหนดพารามิเตอร์และการทำนายสำหรับไพทอร์ช
88. dgl: แพ็คเกจ Python ที่สร้างขึ้นเพื่อความสะดวกในการเรียนรู้เชิงลึกบนกราฟ นอกเหนือจากเฟรมเวิร์ก DL ที่มีอยู่ http://dgl.ai.
89. gandissect: เครื่องมือที่ใช้ Pytorch สำหรับการแสดงภาพและทำความเข้าใจเซลล์ประสาทของ GAN gandissect.csail.mit.edu
90. delira: เฟรมเวิร์กน้ำหนักเบาสำหรับการสร้างต้นแบบที่รวดเร็วและการฝึกอบรมโครงข่ายประสาทเชิงลึกในการถ่ายภาพทางการแพทย์ delira.rtfd.io
91. เห็ด: ไลบรารี Python สำหรับการทดลองเสริมการเรียนรู้
92. Xlearn: ถ่ายโอนไลบรารีการเรียนรู้
93. geoopt: วิธีการเพิ่มประสิทธิภาพแบบปรับตัวของ Riemannian พร้อมการเพิ่มประสิทธิภาพ pytorch
94. วีแกน: ห้องสมุดที่ให้บริการ GAN ต่างๆ ที่มีอยู่ใน PyTorch
95. เรขาคณิตคบเพลิง: TGM: เรขาคณิต PyTorch
96. AdverTorch: กล่องเครื่องมือสำหรับการวิจัยความแข็งแกร่งของฝ่ายตรงข้าม (การโจมตี/การป้องกัน/การฝึกอบรม)
97. AdaBound: เครื่องมือเพิ่มประสิทธิภาพที่ฝึกฝนได้เร็วเท่ากับ Adam และดีเท่ากับ SGD.a
98. fenchel-young-losses: การจำแนกความน่าจะเป็นใน PyTorch / TensorFlow / scikit-learn พร้อมการสูญเสีย Fenchel-Young
99. pytorch-OpCounter: นับ FLOP ของโมเดล PyTorch ของคุณ
100. Tor10: ไลบรารี Tensor-Network ทั่วไปที่ออกแบบมาสำหรับการจำลองควอนตัมโดยใช้ไพทอร์ช
101. Catalyst: ยูทิลิตี้ระดับสูงสำหรับการวิจัย PyTorch DL & RL ได้รับการพัฒนาโดยมุ่งเน้นไปที่ความสามารถในการทำซ้ำ การทดลองที่รวดเร็ว และการนำโค้ด/แนวคิดกลับมาใช้ใหม่ สามารถวิจัย/พัฒนาสิ่งใหม่ๆ แทนที่จะเขียนขบวนรถไฟปกติอื่นๆ
102. Axe: แพลตฟอร์มการทดลองแบบปรับเปลี่ยนได้
103. pywick: ไลบรารีการฝึกอบรมโครงข่ายประสาทเทียมที่รวมแบตเตอรี่ระดับสูงสำหรับ Pytorch
104. torchgpipe: การใช้งาน GPipe ใน PyTorch torchgpipe.readthedocs.io
105. ฮับ: Pytorch Hub คือพื้นที่เก็บข้อมูลแบบจำลองที่ได้รับการฝึกอบรมล่วงหน้า ซึ่งออกแบบมาเพื่ออำนวยความสะดวกในการทำซ้ำการวิจัย
106. pytorch-lightning: กรอบการวิจัยที่รวดเร็วสำหรับ Pytorch keras เวอร์ชันของผู้วิจัย
107. Tor10: ไลบรารี Tensor-Network ทั่วไปที่ออกแบบมาสำหรับการจำลองควอนตัมโดยใช้ไพทอร์ช
108. tensorwatch: การดีบัก การตรวจสอบ และการแสดงภาพสำหรับการเรียนรู้เชิงลึกและการเรียนรู้แบบเสริมแรงจากการวิจัยของ Microsoft
109. Wavetorch: การแก้ปัญหาเชิงตัวเลขและการแพร่กระจายกลับผ่านสมการคลื่น arxiv.org/abs/1904.12831
110. diffdist: diffdist เป็นไลบรารีหลามสำหรับ pytorch ขยายฟังก์ชันการทำงานเริ่มต้นของ torch.autograd และเพิ่มการรองรับการสื่อสารที่แตกต่างระหว่างกระบวนการต่างๆ
111. torchprof: ไลบรารี่ที่ต้องพึ่งพาขั้นต่ำสำหรับการสร้างโปรไฟล์แบบเลเยอร์ต่อเลเยอร์ของโมเดล Pytorch
112. osqpth: เลเยอร์ตัวแก้ปัญหา OSQP ที่สร้างความแตกต่างได้สำหรับ PyTorch
113. mctorch: ไลบรารีการเพิ่มประสิทธิภาพที่หลากหลายสำหรับการเรียนรู้เชิงลึก
114. pytorch-hessian-eigenthings: การสลายตัวแบบลักษณะเฉพาะของ PyTorch Hessian ที่มีประสิทธิภาพโดยใช้ผลิตภัณฑ์ Hessian-vector และการวนซ้ำกำลังสุ่ม
115. MinkowskiEngine: Minkowski Engine เป็นไลบรารี่ความแตกต่างอัตโนมัติสำหรับการโน้มน้าวแบบกระจัดกระจายทั่วไปและเทนเซอร์กระจัดกระจายมิติสูง
116. pytorch-cpp-rl: การเรียนรู้การเสริมแรงของ PyTorch C++
117. pytorch-toolbelt: ส่วนขยาย PyTorch สำหรับการสร้างต้นแบบ R&D ที่รวดเร็ว และการทำฟาร์ม Kaggle
118. argus-tensor-stream: ไลบรารีสำหรับการถอดรหัสสตรีมวิดีโอแบบเรียลไทม์เป็นหน่วยความจำ CUDA tensorstream.argus-ai.com
119. macarico: เรียนรู้การค้นหาใน pytorch
120. rlpyt: การเสริมการเรียนรู้ใน PyTorch
121. pywarm: วิธีที่สะอาดกว่าในการสร้างโครงข่ายประสาทเทียมสำหรับ PyTorch blue-season.github.io/pywarm
122. Learn2learn: กรอบงานเมตาเลิร์นนิงของ PyTorch สำหรับนักวิจัย http://learn2learn.net
123. torchbeast: แพลตฟอร์ม PyTorch สำหรับ RL แบบกระจาย
124. สูงกว่า: สูงกว่าคือไลบรารี pytorch ที่อนุญาตให้ผู้ใช้รับการไล่ระดับลำดับที่สูงขึ้นจากการสูญเสียซึ่งครอบคลุมลูปการฝึกซ้อมมากกว่าขั้นตอนการฝึกแต่ละขั้น
125. Torchélie: Torchélie คือชุดของฟังก์ชันอรรถประโยชน์ เลเยอร์ การสูญเสีย โมเดล เทรนเนอร์ และสิ่งอื่น ๆ สำหรับ PyTorch torchelie.readthedocs.org
126. CrypTen: CrypTen เป็นเฟรมเวิร์ก Machine Learning ที่รักษาความเป็นส่วนตัวซึ่งเขียนโดยใช้ PyTorch ซึ่งช่วยให้นักวิจัยและนักพัฒนาสามารถฝึกอบรมโมเดลโดยใช้ข้อมูลที่เข้ารหัสได้ ปัจจุบัน CrypTen รองรับการประมวลผลแบบหลายฝ่ายที่ปลอดภัยเป็นกลไกการเข้ารหัส
127. cvxpylayers: cvxpylayers เป็นไลบรารี Python สำหรับการสร้างเลเยอร์การปรับให้เหมาะสมนูนที่แตกต่างกันใน PyTorch
128. RepDistiller: Contrastive Representation Distillation (CRD) และเกณฑ์มาตรฐานของวิธีการกลั่นความรู้ล่าสุด
129. ดินขาว: ไลบรารี PyTorch มุ่งเป้าไปที่การเร่งการวิจัยการเรียนรู้เชิงลึก 3 มิติ
130. PySNN: เฟรมเวิร์ก Spiking Neural Network ที่มีประสิทธิภาพ สร้างขึ้นบน PyTorch เพื่อการเร่งความเร็ว GPU
131. sparktorch: ฝึกฝนและรันโมเดล Pytorch บน Apache Spark
132. pytorch-metric-learning: วิธีที่ง่ายที่สุดในการใช้การเรียนรู้แบบเมตริกในแอปพลิเคชันของคุณ แบบแยกส่วน ยืดหยุ่น และขยายได้ เขียนใน PyTorch
133. autonomous-learning-library: ไลบรารี PyTorch สำหรับสร้างตัวแทนการเรียนรู้แบบเสริมกำลังเชิงลึก
134. flambe: กรอบงาน ML เพื่อเร่งการวิจัยและเส้นทางสู่การผลิต flambe.ai
135. pytorch-optimizer: คอลเลกชันของอัลกอริธึมการปรับให้เหมาะสมที่ทันสมัยสำหรับ PyTorch ประกอบด้วย: AccSGD, AdaBound, AdaMod, DiffGrad, Lamb, RAdam, RAdam, Yogi
136. PyTorch-VAE: ชุดโปรแกรมเปลี่ยนไฟล์อัตโนมัติ (VAE) ใน PyTorch
137. ray: เฟรมเวิร์กที่รวดเร็วและง่ายดายสำหรับการสร้างและรันแอปพลิเคชันแบบกระจาย Ray มาพร้อมกับ RLlib ซึ่งเป็นไลบรารีการเรียนรู้แบบเสริมกำลังที่ปรับขนาดได้ และ Tune ซึ่งเป็นไลบรารีการปรับแต่งไฮเปอร์พารามิเตอร์ที่ปรับขนาดได้ ray.io
138. Pytorch Geometric Temporal: ไลบรารีส่วนขยายชั่วคราวสำหรับ PyTorch Geometric
139. Poutyne: เฟรมเวิร์กที่คล้ายกับ Keras สำหรับ PyTorch ที่จัดการโค้ดสำเร็จรูปส่วนใหญ่ที่จำเป็นในการฝึกโครงข่ายประสาทเทียม
140. Pytorch-Toolbox: นี่คือโปรเจ็กต์กล่องเครื่องมือสำหรับ Pytorch มุ่งหวังที่จะทำให้คุณเขียนโค้ด Pytorch ได้ง่ายขึ้น อ่านง่ายและกระชับยิ่งขึ้น
141. Pytorch-contrib: ประกอบด้วยการนำแนวคิดไปใช้ที่ผ่านการตรวจสอบแล้วจากเอกสารการเรียนรู้ของเครื่องล่าสุด
142. EfficientNet PyTorch: ประกอบด้วยการนำ PyTorch มาใช้ใหม่ของ EfficientNet แบบ Op-for-op พร้อมด้วยโมเดลและตัวอย่างที่ได้รับการฝึกอบรมล่วงหน้า
143. PyTorch/XLA: PyTorch/XLA เป็นแพ็คเกจ Python ที่ใช้คอมไพเลอร์การเรียนรู้เชิงลึก XLA เพื่อเชื่อมต่อเฟรมเวิร์กการเรียนรู้เชิงลึกของ PyTorch และ Cloud TPU
144. ชุดข้อมูลเว็บ: WebDataset คือการใช้งานชุดข้อมูล PyTorch (IterableDataset) ที่ให้การเข้าถึงชุดข้อมูลที่จัดเก็บไว้ในไฟล์เก็บถาวร POSIX tar อย่างมีประสิทธิภาพ
145. volksdep: volksdep เป็นกล่องเครื่องมือโอเพ่นซอร์สสำหรับการปรับใช้และเร่งความเร็วโมเดล PyTorch, Onnx และ Tensorflow ด้วย TensorRT
146. PyTorch-StudioGAN: StudioGAN เป็นไลบรารี Pytorch ที่ให้การใช้งานตัวแทน Generative Adversarial Networks (GAN) สำหรับการสร้างรูปภาพแบบมีเงื่อนไข/ไม่มีเงื่อนไข StudioGAN มุ่งหวังที่จะนำเสนอสนามเด็กเล่นที่เหมือนกันสำหรับ GAN สมัยใหม่ เพื่อให้นักวิจัยด้านการเรียนรู้ของเครื่องสามารถเปรียบเทียบและวิเคราะห์แนวคิดใหม่ได้อย่างง่ายดาย
147. torchdrift: ห้องสมุดการตรวจจับดริฟท์
148. การเร่งความเร็ว : วิธีง่ายๆ ในการฝึกและใช้โมเดล PyTorch ที่มี multi-GPU, TPU, ความแม่นยำแบบผสม
149. หม้อแปลงฟ้าผ่า: อินเทอร์เฟซที่ยืดหยุ่นสำหรับการวิจัยประสิทธิภาพสูงโดยใช้ SOTA Transformers ที่ใช้ประโยชน์จาก Pytorch Lightning, Transformers และ Hydra
150. Flower แนวทางแบบรวมศูนย์สำหรับการเรียนรู้ การวิเคราะห์ และการประเมินผลแบบรวมศูนย์ ช่วยให้สามารถรวมเวิร์กโหลดแมชชีนเลิร์นนิงแบบรวมศูนย์ได้
151. lightning-flash: Flash คือชุดของงานสำหรับการสร้างต้นแบบอย่างรวดเร็ว การวางพื้นฐาน และการปรับแต่งโมเดล Deep Learning ที่ปรับขนาดได้อย่างละเอียด ซึ่งสร้างขึ้นบน PyTorch Lightning
152. Pytorch Geometric Signed Directed: ไลบรารีส่วนขยายที่ลงนามและกำกับสำหรับ PyTorch Geometric
153. Koila: wrapper ง่ายๆ รอบ pytorch ที่ป้องกันปัญหา CUDA หน่วยความจำไม่เพียงพอ
154. Renate: ห้องสมุดสำหรับการเรียนรู้อย่างต่อเนื่องในโลกแห่งความเป็นจริง

บทช่วยสอน หนังสือ และตัวอย่าง

1. Pytorch ที่ใช้งานได้จริง : บทช่วยสอนที่อธิบายโมเดล RNN ต่างๆ
2. DeepLearningForNLPInPytorch: บทช่วยสอนสมุดบันทึก IPython เกี่ยวกับการเรียนรู้เชิงลึก โดยเน้นที่การประมวลผลภาษาธรรมชาติ
3. pytorch-tutorial: บทช่วยสอนสำหรับนักวิจัยเพื่อเรียนรู้การเรียนรู้เชิงลึกด้วย pytorch
4. แบบฝึกหัด pytorch: คอลเลกชันแบบฝึกหัด pytorch
5. บทช่วยสอน pytorch: บทช่วยสอน pytorch ต่างๆ
6. ตัวอย่าง pytorch: พื้นที่เก็บข้อมูลที่แสดงตัวอย่างการใช้ pytorch
7. การฝึกไพทอร์ช: ตัวอย่างสคริปต์บางส่วนบนไพทอร์ช
8. บทช่วยสอนแบบมินิของ pytorch: บทช่วยสอนขั้นต่ำสำหรับ PyTorch ที่ดัดแปลงมาจากบทช่วยสอน Theano ของ Alec Radford
9. การจำแนกข้อความ pytorch: การใช้งานอย่างง่าย ๆ ของการจำแนกข้อความตาม CNN ใน Pytorch
10. แมว vs สุนัข: ตัวอย่างการปรับแต่งเครือข่ายใน pytorch สำหรับการแข่งขัน kaggle Dogs vs. Cats Redux: Kernels Edition ปัจจุบัน #27 (0.05074) บนลีดเดอร์บอร์ด
11. convnet: นี่เป็นตัวอย่างการฝึกอบรมที่สมบูรณ์สำหรับ Deep Convolutional Networks บนชุดข้อมูลต่างๆ (ImageNet, Cifar10, Cifar100, MNIST)
12. pytorch-generative-adversarial-networks: เครือข่าย generative adversarial (GAN) อย่างง่ายโดยใช้ PyTorch
13. คอนเทนเนอร์ pytorch: พื้นที่เก็บข้อมูลนี้มีจุดมุ่งหมายเพื่อช่วยให้อดีต Torchies เปลี่ยนไปใช้โลก "ไร้คอนเทนเนอร์" ของ PyTorch ได้อย่างราบรื่นมากขึ้น โดยจัดทำรายการการใช้งาน PyTorch ของ Torch Table Layers
14. T-SNE ในไพทอร์ช: การทดลอง t-SNE ในไพทอร์ช
15. AAE_pytorch: ตัวเข้ารหัสอัตโนมัติของฝ่ายตรงข้าม (พร้อม Pytorch)
16. Kind_PyTorch_Tutorial: บทช่วยสอน PyTorch แบบดีสำหรับผู้เริ่มต้น
17. pytorch-poetry-gen: char-RNN ที่ใช้ pytorch
18. pytorch-REINFORCE: การใช้งาน PyTorch ของ REINFORCE ซึ่ง repo นี้รองรับสภาพแวดล้อมทั้งแบบต่อเนื่องและแบบแยกส่วนในยิม OpenAI
19. PyTorch-Tutorial : สร้าง Neural Network ของคุณง่ายและรวดเร็ว https://morvanzhou.github.io/tutorials/
20. pytorch-intro: สคริปต์สองสามตัวเพื่อแสดงวิธีทำ CNN และ RNN ใน PyTorch
21. pytorch-classification: เฟรมเวิร์กแบบรวมสำหรับงานการจัดหมวดหมู่รูปภาพบน CIFAR-10/100 และ ImageNet
22. pytorch_notebooks - hardmaru: บทช่วยสอนแบบสุ่มที่สร้างใน NumPy และ PyTorch
23. pytorch_tutoria-quick: บทแนะนำและบทช่วยสอน PyTorch ฉบับย่อ มุ่งเป้าไปที่นักวิจัยด้านคอมพิวเตอร์วิทัศน์ กราฟิก และการเรียนรู้ของเครื่องที่กระตือรือร้นที่จะลองใช้เฟรมเวิร์กใหม่
24. Pytorch_fine_tuning_Tutorial: บทช่วยสอนสั้นๆ เกี่ยวกับการปรับแต่งอย่างละเอียดหรือถ่ายโอนการเรียนรู้ใน PyTorch
25. pytorch_exercises: แบบฝึกหัด pytorch
26. การตรวจจับป้ายจราจร: ตัวอย่าง nyu-cv-fall-2017
27. mss_pytorch: การแยกเสียงร้องเพลงผ่านการอนุมานซ้ำและการเชื่อมต่อข้ามการกรอง - การใช้งาน PyTorch การสาธิต: js-mim.github.io/mss_pytorch
28. DeepNLP-models-Pytorch การใช้งาน Pytorch ของโมเดล Deep NLP ต่างๆ ใน ​​cs-224n (Stanford Univ: NLP พร้อม Deep Learning)
29. บทช่วยสอนเบื้องต้นของ Mila: บทช่วยสอนที่หลากหลายสำหรับการต้อนรับนักเรียนใหม่ที่ MILA
30. pytorch.rl.learning: สำหรับการเรียนรู้การเรียนรู้แบบเสริมกำลังโดยใช้ PyTorch
31. minimal-seq2seq: โมเดล Seq2Seq ขั้นต่ำพร้อมความสนใจสำหรับการแปลเครื่องประสาทใน PyTorch
32. tensorly-notebooks: วิธีการเทนเซอร์ใน Python พร้อม TensorLy tensorly.github.io/dev
33. pytorch_bits: ตัวอย่างที่เกี่ยวข้องกับการทำนายอนุกรมเวลา
34. Skip-Thought Vectors: การใช้งาน Skip-Thought Vectors ใน PyTorch
35. video-caption-pytorch: รหัส pytorch สำหรับคำบรรยายวิดีโอ
36. Capsule-Network-Tutorial: บทช่วยสอน Capsule Network ที่ปฏิบัติตามง่ายของ Pytorch
37. code-of-learn-deep-learning-with-pytorch: นี่คือโค้ดของหนังสือ "Learn Deep Learning with PyTorch" item.jd.com/17915495606.html
38. RL-Adventure: Pytorch บทช่วยสอน Deep Q Learning ทีละขั้นตอนที่ปฏิบัติตามได้ง่ายพร้อมโค้ดที่อ่านง่าย
39. Accured_dl_pytorch: เร่งการเรียนรู้เชิงลึกด้วย PyTorch ที่ Jupyter Day Atlanta II
40. RL-Adventure-2: บทช่วยสอน PyTorch4 ของ: นักวิจารณ์นักแสดง / การเพิ่มประสิทธิภาพนโยบายใกล้เคียง / acer / ddpg / การดวลคู่ ddpg / นักวิจารณ์นักแสดงที่นุ่มนวล / การเรียนรู้การเลียนแบบฝ่ายตรงข้ามที่สร้างสรรค์ / ประสบการณ์การเล่นซ้ำ
41. Generative Adversarial Networks (GANs) ในโค้ด 50 บรรทัด (PyTorch)
42. ฝ่ายตรงข้าม-ตัวเข้ารหัสอัตโนมัติ-กับ-pytorch
43. ถ่ายโอนการเรียนรู้โดยใช้ pytorch
44. วิธีการใช้งาน-a-yolo-object-detector-in-pytorch
45. pytorch-สำหรับ-ผู้แนะนำ-101
46. pytorch-for-numpy-users
47. บทช่วยสอน PyTorch: บทช่วยสอน PyTorch ในภาษาจีน
48. grokking-pytorch: คู่มือ PyTorch ของผู้โบกรถ
49. PyTorch-Deep-Learning-Minicourse: หลักสูตรย่อยในการเรียนรู้เชิงลึกด้วย PyTorch
50. pytorch-custom-dataset-examples: ตัวอย่างชุดข้อมูลที่กำหนดเองบางส่วนสำหรับ PyTorch
51. LSTM แบบคูณสำหรับผู้แนะนำตามลำดับ
52. deeplearning.ai-pytorch: การใช้งาน PyTorch สำหรับความเชี่ยวชาญด้านการเรียนรู้เชิงลึกของ Coursera (deeplearning.ai)
53. MNIST_Pytorch_python_and_capi: นี่คือตัวอย่างวิธีฝึกเครือข่าย MNIST ใน Python และรันใน c++ ด้วย pytorch 1.0
54. torch_light: บทช่วยสอนและตัวอย่าง ได้แก่ การฝึกอบรมการเสริมกำลัง, NLP, CV
55. portrain-gan: รหัสคบเพลิงเพื่อถอดรหัส (และเกือบจะเข้ารหัส) ค่าแฝงจาก Portrait GAN ของ art-DCGAN
56. mri-analysis-pytorch: การวิเคราะห์ MRI โดยใช้ PyTorch และ MedicalTorch
57. cifar10-fast: การสาธิตการฝึกอบรม ResNet ขนาดเล็กบน CIFAR10 ถึงความแม่นยำในการทดสอบ 94% ใน 79 วินาที ตามที่อธิบายไว้ในชุดบล็อกนี้
58. ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึกด้วย PyTorch: หลักสูตรฟรีโดย Udacity และ facebook พร้อมข้อมูลเบื้องต้นเกี่ยวกับ PyTorch และบทสัมภาษณ์กับ Soumith Chintala หนึ่งในผู้เขียนดั้งเดิมของ PyTorch
59. pytorch-sentiment-analysis: บทช่วยสอนเกี่ยวกับการเริ่มต้นใช้งาน PyTorch และ TorchText สำหรับการวิเคราะห์ความรู้สึก
60. pytorch-image-models: โมเดลอิมเมจ PyTorch, สคริปต์, น้ำหนักที่ฝึกไว้ล่วงหน้า -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet และอื่นๆ
61. CIFAR-ZOO: การใช้งาน Pytorch สำหรับสถาปัตยกรรม CNN หลายตัว และปรับปรุงวิธีการด้วยผลลัพธ์ที่ล้ำสมัย
62. d2l-pytorch: นี่คือความพยายามที่จะแก้ไขโค้ดของหนังสือเรียน Dive into Deep Learning, Berkeley STAT 157 (ฤดูใบไม้ผลิ 2019) ลงใน PyTorch
63. การคิดในเทนเซอร์-การเขียนในไพทอร์ช: การคิดในเทนเซอร์ การเขียนใน PyTorch (บทนำการเรียนรู้เชิงลึกเชิงปฏิบัติ)
64. NER-BERT-pytorch: โซลูชัน PyTorch ของงานการรับรู้เอนทิตีที่มีชื่อ โดยใช้โมเดล BERT ที่ได้รับการฝึกอบรมล่วงหน้าของ Google AI
65. pytorch-sync-batchnorm-example: วิธีใช้ Cross Replica / Synchronized Batchnorm ใน Pytorch
66. การวิเคราะห์ความรู้สึก: โครงข่ายประสาทเทียมสำหรับการวิเคราะห์ความรู้สึกที่ได้รับการฝึกโดยการปรับแต่ง BERT แบบละเอียดบน Stanford Sentiment Treebank ต้องขอบคุณไลบรารี Transformers ของ Hugging Face
67. pytorch-cpp: การใช้งาน C++ ของบทช่วยสอน PyTorch สำหรับนักวิจัยการเรียนรู้เชิงลึก (อิงตามบทช่วยสอน Python จาก pytorch-tutorial)
68. การเรียนรู้เชิงลึกด้วย PyTorch: Zero to GANs: ซีรีส์บทช่วยสอนแบบโต้ตอบและเน้นการเขียนโค้ดเกี่ยวกับความรู้เบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึกด้วย PyTorch (วิดีโอ)
69. การเรียนรู้เชิงลึกด้วย PyTorch: การเรียนรู้เชิงลึกด้วย PyTorch สอนวิธีใช้อัลกอริทึมการเรียนรู้เชิงลึกด้วย Python และ PyTorch หนังสือเล่มนี้ประกอบด้วยกรณีศึกษา: การสร้างอัลกอริทึมที่สามารถตรวจจับเนื้องอกในปอดที่เป็นมะเร็งโดยใช้การสแกน CT
70. การเรียนรู้ของเครื่องแบบไร้เซิร์ฟเวอร์ในการดำเนินการด้วย PyTorch และ AWS: การเรียนรู้ของเครื่องแบบไร้เซิร์ฟเวอร์ในการดำเนินการเป็นแนวทางในการนำโค้ดการเรียนรู้ของเครื่อง PyTorch แบบทดลองของคุณไปสู่การผลิตโดยใช้ความสามารถแบบไร้เซิร์ฟเวอร์จากผู้ให้บริการระบบคลาวด์รายใหญ่ เช่น AWS, Azure หรือ GCP
71. LabML NN: ชุดการใช้งาน PyTorch ของสถาปัตยกรรมและอัลกอริธึมโครงข่ายประสาทเทียมพร้อมบันทึกย่อแบบเคียงข้างกัน
72. เรียกใช้ตัวอย่าง PyTorch ของคุณที่รวมเข้ากับ Flower: ตัวอย่างนี้แสดงให้เห็นว่าโปรเจ็กต์การเรียนรู้ของเครื่อง PyTorch แบบรวมศูนย์ที่มีอยู่แล้วสามารถรวมเข้ากับ Flower ได้อย่างไร ชุดข้อมูล Cifar-10 ใช้ร่วมกับเครือข่ายประสาทเทียม (CNN)

การใช้งานกระดาษ

1. google_evolution: สิ่งนี้ใช้หนึ่งในเครือข่ายผลลัพธ์จากวิวัฒนาการขนาดใหญ่ของตัวแยกประเภทรูปภาพโดย Esteban Real ฯลฯ อัล
2. pyscatwave: การแปลงการกระเจิงอย่างรวดเร็วด้วย CuPy/PyTorch อ่านบทความได้ที่นี่
3. scalingscattering: ปรับขนาดการแปลงที่กระจัดกระจาย: Deep Hybrid Networks
4. เครื่องหมายวรรคตอนอัตโนมัติแบบลึก: การใช้ pytorch ของเครื่องหมายวรรคตอนอัตโนมัติที่เรียนรู้อักขระทีละอักขระ
5. Realtime_Multi-Person_Pose_Estimation: นี่คือเวอร์ชัน pytorch ของ Realtime_Multi-Person_Pose_Estimation รหัสต้นกำเนิดอยู่ที่นี่
6. PyTorch-value-iteration-networks: การใช้งาน PyTorch ของรายงาน Value Iteration Networks (NIPS '16)
7. pytorch_Highway: เครือข่ายทางหลวงที่ใช้งานใน pytorch
8. pytorch_NEG_loss: การสูญเสีย NEG ถูกนำมาใช้ใน pytorch
9. pytorch_RVAE: ตัวเข้ารหัสอัตโนมัติรูปแบบที่เกิดซ้ำซึ่งสร้างข้อมูลตามลำดับที่ใช้งานใน pytorch
10. pytorch_TDNN: เวลาที่ล่าช้า NN ถูกนำไปใช้ใน pytorch
11. eve.pytorch: การใช้งาน Eve Optimizer เสนอใน Imploving Stochastic Gradient Descent with Feedback, Koushik และ Hayashi, 2016
12. e2e-model-learning: การเรียนรู้แบบจำลองแบบ end-to-end ตามงาน
13. pix2pix-pytorch: การใช้งาน PyTorch ของ "การแปลรูปภาพเป็นรูปภาพโดยใช้เครือข่ายฝ่ายตรงข้ามแบบมีเงื่อนไข"
14. Single Shot MultiBox Detector: การใช้งาน PyTorch ของ Single Shot MultiBox Detector
15. Discogan: การใช้งาน Pytorch ของ "การเรียนรู้เพื่อค้นพบความสัมพันธ์ข้ามโดเมนกับเครือข่ายฝ่ายตรงข้าม"
16. การใช้งานอย่างเป็นทางการ: การดำเนินการอย่างเป็นทางการของ "การเรียนรู้เพื่อค้นพบความสัมพันธ์ข้ามโดเมนกับเครือข่ายฝ่ายตรงข้าม"
17. PYTORCH-ES: นี่คือการดำเนินการตามกลยุทธ์วิวัฒนาการ
18. Piwise: การแบ่งส่วนพิกเซลบนชุดข้อมูล VOC2012 โดยใช้ Pytorch
19. Pytorch-DQN: เครือข่าย Q-Learning ลึกใน Pytorch
20. NeuralTalk2-Pytorch: รูปแบบคำบรรยายภาพใน pytorch (cnn finetunable ในสาขา with_finetune)
21. VNET.PYTORCH: การใช้งาน Pytorch สำหรับ V-NET: เครือข่ายประสาทแบบ convolutional อย่างเต็มที่สำหรับการแบ่งส่วนภาพการแพทย์ปริมาตร
22. Pytorch-FCN: การใช้งาน Pytorch ของเครือข่ายที่มีความสามารถอย่างเต็มที่
23. Wideresnets: Wideresnets สำหรับ CIFAR10/100 ที่ใช้ใน Pytorch การใช้งานนี้ต้องใช้หน่วยความจำ GPU น้อยกว่าสิ่งที่กำหนดโดยการใช้งาน Torch อย่างเป็นทางการ: https://github.com/szagoruyko/wide-residual-networks
24. pytorch_highway_networks: เครือข่ายทางหลวงที่ใช้ใน Pytorch
25. Pytorch-neucom: การใช้งาน Pytorch ของกระดาษประสาทที่แตกต่างของ DeepMind
26. Paptiongen: สร้างคำอธิบายภาพสำหรับภาพโดยใช้ pytorch
27. Animegan: การใช้งาน Pytorch อย่างง่ายของเครือข่ายฝ่ายตรงข้ามกำเนิดโดยมุ่งเน้นไปที่การวาดภาพใบหน้าอนิเมะ
28. การจำแนกประเภทข้อความ CNN: นี่คือการใช้งานเครือข่ายประสาทของคิมสำหรับเอกสารการจำแนกประโยคใน Pytorch
29. DeepSpeech2: การใช้งาน DeepSpeech2 โดยใช้ Baidu Warp-CTC สร้างเครือข่ายตามสถาปัตยกรรม DeepSpeech2 ซึ่งได้รับการฝึกฝนด้วยฟังก์ชั่นการเปิดใช้งาน CTC
30. SEQ2SEQ: ที่เก็บนี้มีการใช้งานโมเดลลำดับไปยังลำดับ (SEQ2SEQ) ใน pytorch
31. Asynchronous Advantage Actor-Critic ใน Pytorch: นี่คือการใช้งาน Pytorch ของ A3C ตามที่อธิบายไว้ในวิธีการแบบอะซิงโครนัสสำหรับการเรียนรู้การเสริมแรงอย่างลึกซึ้ง เนื่องจาก Pytorch มีวิธีการที่ง่ายในการควบคุมหน่วยความจำที่ใช้ร่วมกันภายในหลายกระบวนการเราจึงสามารถใช้วิธีการแบบอะซิงโครนัสได้อย่างง่ายดายเช่น A3C
32. Densenet: นี่คือการใช้งาน Pytorch ของสถาปัตยกรรม Densenet-BC ตามที่อธิบายไว้ในเครือข่าย convolutional ที่เชื่อมต่อกันอย่างหนาแน่นโดย G. Huang, Z. Liu, K. Weinberger และ L. van der Maaten การใช้งานนี้ได้รับอัตราข้อผิดพลาด CIFAR-10+ ที่ 4.77 ด้วย Densenet-BC 100 ชั้นด้วยอัตราการเติบโต 12 การดำเนินการอย่างเป็นทางการและการเชื่อมโยงไปยังการใช้งานของบุคคลที่สามอื่น ๆ อีกมากมายมีอยู่ใน Liuzhuang13/Densenet repo บน GitHub
33. nninit: แผนการเริ่มต้นน้ำหนักสำหรับ pytorch nn.modules นี่คือพอร์ตของ nninit ยอดนิยมสำหรับ Torch7 โดย @kaixhin
34. RCNN ที่เร็วขึ้น: นี่คือการใช้งาน Pytorch ของ RCNN ที่เร็วขึ้น โครงการนี้ส่วนใหญ่ขึ้นอยู่กับ py-rcnn-rcnn และ tffrcnn สำหรับรายละเอียดเกี่ยวกับ R-CNN โปรดดูที่กระดาษที่เร็วขึ้น R-CNN: ไปสู่การตรวจจับวัตถุแบบเรียลไทม์กับเครือข่ายข้อเสนอภูมิภาคโดย Shaoqing Ren, Kaiming เขา, Ross Girshick, เจียนซัน
35. Doomnet: Doom-Net เวอร์ชันของ Pytorch ใช้แบบจำลอง RL บางรุ่นในสภาพแวดล้อม Vizdoom
36. FLOWNET: การใช้งาน Pytorch ของ Flownet โดย Dosovitskiy และคณะ
37. SQEEZENET: การใช้ Squeezenet ใน Pytorch, #### โมเดลที่ผ่านการฝึกฝนบนข้อมูล CIFAR10 เพื่อมาวางแผนที่จะฝึกอบรมโมเดลบน CIFAR 10 และเพิ่มการเชื่อมต่อบล็อกด้วย
38. Wassersteingan: Wassersteingan ใน Pytorch
39. Optnet: ที่เก็บนี้เป็นโดย Brandon Amos และ J. Zico Kolter และมีซอร์สโค้ด Pytorch เพื่อทำซ้ำการทดลองในกระดาษ OptNet ของเรา: การเพิ่มประสิทธิภาพที่แตกต่างกันเป็นเลเยอร์ในเครือข่ายประสาท
40. QP Solver: ตัวแก้ QP ที่รวดเร็วและแตกต่างกันสำหรับ pytorch สร้างขึ้นโดย Brandon Amos และ J. Zico Kolter
41. Q-Learning ลึกอย่างต่อเนื่องพร้อมกับการเร่งความเร็วแบบจำลอง: การปรับปรุงการเรียนรู้อย่างต่อเนื่องของ Q-Learning อย่างต่อเนื่องด้วยการเร่งความเร็วแบบจำลอง
42. การเรียนรู้ที่จะเรียนรู้โดยการไล่ระดับสีโดยการไล่ระดับสี: การใช้ Pytorch ของการเรียนรู้ที่จะเรียนรู้โดยการไล่ระดับสีโดยการไล่ระดับสี
43. แบบเร็วแบบเส้นประสาท: การใช้งาน Pytorch ของสไตล์แบบเร็วแบบจำลองใช้วิธีการที่อธิบายไว้ในการสูญเสียการรับรู้สำหรับการถ่ายโอนสไตล์เรียลไทม์และความละเอียดสูงพร้อมกับการทำให้เป็นมาตรฐานอินสแตนซ์
44. Pytorchneuralstyletransfer: การใช้งานการถ่ายโอนรูปแบบประสาทใน Pytorch
45. สไตล์ระบบประสาทที่รวดเร็วสำหรับการแปลงรูปแบบภาพโดย Pytorch: สไตล์ระบบประสาทที่รวดเร็วสำหรับการแปลงรูปแบบภาพโดย Pytorch
46. การถ่ายโอนสไตล์ประสาท: บทนำสู่ Pytorch ผ่านอัลกอริทึมสไตล์ประสาท (https://arxiv.org/abs/1508.06576) พัฒนาโดย Leon A. Gatys, Alexander S. Ecker และ Matthias Bethge
47. VIN_PYTORCH_VISDOM: การใช้งาน Pytorch ของเครือข่ายการวนซ้ำ (VIN): สะอาดง่ายและเป็นโมดูล การสร้างภาพข้อมูลใน Visdom
48. YOLO2: YOLOV2 ใน Pytorch
49. การถ่ายโอนความสนใจ: การถ่ายโอนความสนใจใน Pytorch อ่านกระดาษที่นี่
50. SVHNCLASSIFIER: การใช้งาน Pytorch ของการจดจำตัวเลขหลายหลักจากภาพสตรีทวิวโดยใช้เครือข่ายประสาทลึก
51. Pytorch-Deform-Conv: การใช้งาน pytorch ของ convolution ที่เปลี่ยนรูปได้
52. เริ่มต้น-Pytorch: การใช้งาน Pytorch ของการเริ่มต้น: เครือข่ายความสมดุลของความสมดุลในการกำเนิด
53. Treelstm.pytorch: การใช้งาน Tree LSTM ใน Pytorch
54. อายุ: รหัสสำหรับกระดาษ
55. resnext.pytorch: ทำซ้ำ RESNET-V3 (การแปลงที่เหลือรวมสำหรับเครือข่ายประสาทลึก) ด้วย pytorch
56. Pytorch-RL: การเรียนรู้การเสริมแรงลึกกับ Pytorch & Visdom
57. Deep-leafsnap: LeafSnap จำลองโดยใช้เครือข่ายประสาทลึกเพื่อทดสอบความแม่นยำเมื่อเทียบกับวิธีการมองเห็นคอมพิวเตอร์แบบดั้งเดิม
58. Pytorch-Cyclegan และ Pix2pix: การใช้งาน Pytorch สำหรับการแปลทั้งแบบไม่จับคู่และจับคู่กับภาพ
59. A3C-PYTORCH: การใช้งาน Pytorch ของ Advantage Async นักแสดงอัลกอริทึมนักแสดง (A3C) ใน Pytorch
60. Pytorch-Value-Titeration-Networks: Pytorch การใช้งานเครือข่ายการวนซ้ำมูลค่า (NIPS 2016 Best Paper)
61. การถ่ายโอนสไตล์ Pytorch: การใช้งาน pytorch ของเครือข่ายการกำเนิดหลายสไตล์สำหรับการถ่ายโอนแบบเรียลไทม์
62. Pytorch-Deeplab-Resnet: Pytorch-Deeplab-Resnet-Model
63. pointnet.pytorch: การใช้งาน pytorch สำหรับ "Pointnet: การเรียนรู้ลึกเกี่ยวกับชุดจุดสำหรับการจำแนกประเภท 3 มิติและการแบ่งส่วน" https://arxiv.org/abs/1612.00593
64. Pytorch-playground: แบบจำลองและชุดข้อมูลพื้นฐานใน Pytorch (MNIST, SVHN, CIFAR10, CIFAR100, STL10, Alexnet, VGG16, VGG19, Resnet, Inception, Squeezenet)
65. Pytorch-DNC: เครื่องประสาททัวริง (NTM) และคอมพิวเตอร์ประสาทที่แตกต่างกัน (DNC) พร้อม Pytorch & Visdom
66. pytorch_image_classifier: ตัวจําแนกน้อยที่สุด แต่ใช้งานได้จริงโดยใช้ pytorch, finetune on resnet18, มีความแม่นยำ 99% ในชุดข้อมูลขนาดเล็กของตัวเอง
67. MNIST-SVHN-TRANSFER: การใช้งาน Pytorch ของ Cyclegan และ Sgan สำหรับการถ่ายโอนโดเมน (น้อยที่สุด)
68. Pytorch-yolo2: Pytorch-yolo2
69. DNI: ใช้อินเทอร์เฟซระบบประสาทที่แยกออกโดยใช้การไล่ระดับสีสังเคราะห์ใน pytorch
70. WGAN-GP: การใช้งาน pytorch ของกระดาษ "ปรับปรุงการฝึกอบรมของ Wasserstein Gans"
71. Pytorch-Seq2Seq-intent-parsing: การแยกวิเคราะห์ความตั้งใจและการเติมสล็อตใน pytorch ด้วย seq2seq + ความสนใจ
72. pytorch_nce: การใช้อัลกอริทึมการประมาณค่าความคมชัดของเสียงสำหรับ pytorch ทำงาน แต่ยังไม่ได้มีประสิทธิภาพมาก
73. Molencoder: โมเลกุล autoencoder ใน pytorch
74. Gan-Weight-Norm: รหัสสำหรับ "ผลกระทบของการทำให้เป็นมาตรฐานและน้ำหนักในเครือข่ายฝ่ายตรงข้าม"
75. LGAMMA: การใช้งานของ polygamma, lgamma และ beta ฟังก์ชั่นสำหรับ pytorch
76. BIGBATCH: รหัสที่ใช้ในการสร้างผลลัพธ์ที่ปรากฏใน "รถไฟอีกต่อไป
77. RL_A3C_PYTORCH: การเรียนรู้การเสริมแรงด้วยการใช้งาน A3C LSTM สำหรับ ATARI 2600
78. Pytorch-Retraining: ถ่ายโอนการเรียนรู้การยิงสำหรับสวนสัตว์รุ่น Pytorch (Torchvision)
79. NMP_QC: ข้อความประสาทส่งผ่านสำหรับการมองเห็นคอมพิวเตอร์
80. Grad-Cam: การใช้ Pytorch ของ Grad-Cam
81. Pytorch-trpo: การใช้งาน Pytorch ของการเพิ่มประสิทธิภาพนโยบายภูมิภาค Trust (TRPO)
82. Pytorch-explain-black-box: การใช้ pytorch ของคำอธิบายที่ตีความได้ของกล่องดำโดยการก่อกวนที่มีความหมาย
83. vae_vpflows: รหัสใน pytorch สำหรับการรวมกันเชิงเส้น IAF และการไหลของเจ้าของบ้าน, JM Tomczak & M. Welling https://jmtomczak.github.io/deebmed.html
84. Relational-Networks: การใช้งาน pytorch ของ "โมดูลเครือข่ายประสาทแบบง่ายสำหรับการใช้เหตุผลเชิงสัมพันธ์" (เครือข่ายเชิงสัมพันธ์) https://arxiv.org/pdf/1706.01427.pdf
85. vqa.pytorch: การตอบคำถามด้วยภาพใน pytorch
86. end-to-negotiator: การจัดการหรือไม่มีข้อตกลง? การเรียนรู้แบบครบวงจรสำหรับการเจรจาต่อรอง
87. Odin-Pytorch: การตรวจจับตัวอย่างของตัวอย่างนอกการกระจายในเครือข่ายประสาท
88. Freezeout: เร่งการฝึกอบรม Neural Net โดยการแช่แข็งเลเยอร์อย่างต่อเนื่อง
89. ARAE: รหัสสำหรับกระดาษ
90. Forward-Thinking-Pytorch: การใช้งาน Pytorch ของ "การคิดล่วงหน้า: การสร้างและการฝึกอบรมเครือข่ายประสาท
91. context_encoder_pytorch: การใช้ pytorch ของการเข้ารหัสบริบท
92. Attention-is-all-you-need-pytorch: การใช้งาน pytorch ของโมเดลหม้อแปลงใน "ความสนใจคือสิ่งที่คุณต้องการ" .https: //github.com/thnkim/openfacepytorch
93. OpenFacePyTorch: โมดูล pytorch เพื่อใช้ NN4.Small2.v1.t7 ของ OpenFace
94. Neural-combinatorial-RL-Pytorch: การใช้ Pytorch ของการเพิ่มประสิทธิภาพ combinatorial neural ด้วยการเรียนรู้การเสริมแรง
95. Pytorch-Nec: การใช้งาน Pytorch ของการควบคุมตอนนี้ (NEC)
96. seq2seq.pytorch: การเรียนรู้ลำดับต่อลำดับโดยใช้ pytorch
97. Pytorch-sketch-rnn: การใช้ pytorch ของ arxiv.org/abs/1704.03477
98. Pytorch-pruning: การใช้งาน Pytorch ของ [1611.06440] การตัดแต่งเครือข่ายประสาทแบบ convolutional เพื่อการอนุมานอย่างมีประสิทธิภาพทรัพยากร
99. DRQA: การใช้งาน Pytorch ของการอ่าน Wikipedia เพื่อตอบคำถามแบบเปิดโดเมน
100. yellowfin_pytorch: โมเมนตัมการปรับจูนอัตโนมัติ SGD Optimizer
101. Samplernn-Pytorch: การใช้งาน Pytorch ของ Samplernn: โมเดลการสร้างระบบเสียงแบบ end-end-to-end ที่ไม่มีเงื่อนไข
102. Aegean: decgan ลึกด้วยการรักษาเสถียรภาพของ AE
103. /pytorch-srresnet: การใช้งาน pytorch สำหรับภาพเดียวที่มีความสมจริงด้วยภาพความละเอียดสูงโดยใช้ arxiv เครือข่ายที่เป็นปฏิปักษ์: 1609.04802v2
104. VSEPP: รหัสสำหรับกระดาษ "VSE ++: ปรับปรุงการฝังความหมายของ Visual Semantic"
105. Pytorch-Dppo: การใช้งาน Pytorch ของการเพิ่มประสิทธิภาพนโยบายใกล้เคียงแบบกระจาย: arxiv.org/abs/1707.02286
106. หน่วย: การใช้งาน Pytorch ของอัลกอริทึม VAE-GAN คู่ของเราสำหรับการแปลภาพเป็นภาพที่ไม่ได้รับการดูแล
107. Efficient_densenet_pytorch: การใช้งาน Densenets อย่างมีประสิทธิภาพ
108. TSN-PYTORCH: เครือข่ายเซ็กเมนต์ชั่วคราว (TSN) ใน Pytorch
109. SMASH: เทคนิคการทดลองสำหรับการสำรวจสถาปัตยกรรมประสาทอย่างมีประสิทธิภาพ
110. Pytorch-Retinanet: Retinanet ใน Pytorch
111. Biogans: การใช้งานที่สนับสนุนกระดาษ ICCV 2017 "Gans สำหรับการสังเคราะห์ภาพชีวภาพ"
112. การสังเคราะห์ภาพความหมายผ่านการเรียนรู้ที่เป็นปฏิปักษ์: การใช้งาน Pytorch ของบทความ "การสังเคราะห์ภาพความหมายผ่านการเรียนรู้ที่ไม่ได้รับการศึกษาจากฝ่ายตรงข้าม" ใน ICCV 2017
113. FMPYTORCH: การใช้งาน pytorch ของโมดูลเครื่องแยกส่วนใน Cython
114. ORN: การใช้งาน Pytorch ของกระดาษ "เครือข่ายการตอบสนองเชิงรุก" ใน CVPR 2017
115. Pytorch-MAML: การใช้งาน pytorch ของ MAML: arxiv.org/abs/1703.03400
116. Pytorch-Generative-Model-Collections: คอลเลกชันของรุ่น Generative ในรุ่น Pytorch
117. VQA-winner-CVPRW-2017: การใช้งาน Pytorch ของผู้ชนะจาก VQA Chllange Workshop ใน CVPR'17
118. tacotron_pytorch: การใช้งาน Pytorch ของแบบจำลองการสังเคราะห์คำพูดทาโคทรอน
119. PSPNET-PYTORCH: การใช้งาน pytorch ของเครือข่ายการแบ่งส่วน PSPNET
120. LM-LSTM-CRF: Empower Sequence การติดฉลากด้วยโมเดลภาษาที่รับรู้
121. การจัดแนวหน้า: การใช้งาน Pytorch ของกระดาษ "เราอยู่ไกลแค่ไหนจากการแก้ปัญหาการจัดแนวใบหน้า 2D & 3D? (และชุดข้อมูลของ 230,000 3D สถานที่สำคัญบนใบหน้า)", ICCV 2017
122. DEPTHNET: Pytorch DEPTHNET Training บนชุดข้อมูล Box Still
123. EDSR-PYTORCH: Pytorch เวอร์ชันของกระดาษ 'เครือข่ายที่เหลืออยู่ลึกลงไปสำหรับภาพเดี่ยวความละเอียดสูง' (CVPRW 2017)
124. E2C-Pytorch: ฝังเพื่อควบคุมการใช้งานใน Pytorch
125. 3D-Resnets-Pytorch: 3D resnets สำหรับการจดจำการกระทำ
126. Bandit-NMT: นี่คือรหัส repo สำหรับกระดาษ EMNLP 2017 ของเรา "การเรียนรู้การเสริมแรงสำหรับการแปลเครื่องประสาทของ Bandit พร้อมคำติชมของมนุษย์แบบจำลอง" ซึ่งใช้อัลกอริทึม A2C ที่ด้านบนของโมเดลเครื่องเข้ารหัสประสาทและมาตรฐานการรวมกัน
127. Pytorch-A2C-PPO-ACKTR: การดำเนินการ Pytorch ของนักวิจารณ์นักแสดง Advantage (A2C), การเพิ่มประสิทธิภาพนโยบายใกล้เคียง (PPO) และวิธีการระดับความน่าเชื่อถือที่ปรับขนาดได้สำหรับการเรียนรู้การเสริมแรงอย่างลึกล้ำ
128. Zalando-Pytorch: การทดลองต่าง ๆ เกี่ยวกับชุดข้อมูลแฟชั่น-นิสต์จาก Zalando
129. Sphereface_pytorch: การใช้ pytorch ของ SphereFace
130. หมวดหมู่ DQN: การดำเนินการ pytorch ของ DQN หมวดหมู่จากมุมมองการกระจายในการเรียนรู้การเสริมแรง
131. Pytorch-NTM: การใช้งาน Pytorch NTM
132. mask_rcnn_pytorch: หน้ากาก rcnn ใน pytorch
133. graph_convnets_pytorch: การใช้งาน pytorch ของกราฟ Convnets, nips'16
134. Pytorch-rcnn: การใช้งาน pytorch ของกรอบการตรวจจับ RCNN ที่เร็วขึ้นตาม TF-RCNN ของ Xinlei Chen
135. Torchmoji: การใช้งาน Pytorch ของแบบจำลอง Deepmoji: รูปแบบการเรียนรู้ลึกที่ทันสมัยสำหรับการวิเคราะห์ความรู้สึกอารมณ์ความรู้สึกเสียดสี ฯลฯ
136. Semantic-segmentation-Pytorch: การใช้งาน pytorch สำหรับการแบ่งส่วนความหมาย/การแยกวิเคราะห์ฉากบนชุดข้อมูล MIT ADE20K
137. Pytorch-qrnn: การใช้งาน Pytorch ของเครือข่ายประสาทแบบพึ่งพิง-เร็วกว่า 16 เท่าของ CUDNN LSTM ของ NVIDIA มากถึง 16 เท่าของ NVIDIA
138. Pytorch-SGNs: การสุ่มตัวอย่างเชิงลบ skipgram ใน pytorch
139. Sfmlearner-Pytorch: รุ่น Pytorch ของ Sfmlearner จาก Tinghui Zhou และคณะ
140. deformable-convolution-pytorch: Pytorch การใช้งานของ convolution ที่สามารถเปลี่ยนแปลงได้
141. SKIP-Gram-Pytorch: การใช้งาน Pytorch ที่สมบูรณ์ของโมเดล SkipGram (พร้อมการสุ่มตัวอย่างและการสุ่มตัวอย่างเชิงลบ) ผลการฝังได้รับการทดสอบด้วยความสัมพันธ์ระดับของ Spearman
142. Stackgan-V2: การใช้งาน pytorch สำหรับการทำซ้ำ stackgan_v2 ส่งผลในกระดาษ stackgan ++: การสังเคราะห์ภาพที่สมจริงด้วยเครือข่าย enderative antcersarial แบบซ้อนกันโดย Han Zhang*, Tao Xu*, Hongsheng Li, Shaoting Zhang, Xiaogang, Xiaolei Hu
143. ตัวเองวิกฤตตัวเอง Pytorch: การใช้งาน Pytorch อย่างไม่เป็นทางการสำหรับการฝึกลำดับที่สำคัญยิ่งขึ้นสำหรับคำบรรยายภาพ
144. PYGCN: เครือข่ายกราฟ Convolutional ใน Pytorch
145. DNC: คอมพิวเตอร์ประสาทที่แตกต่างกันสำหรับ pytorch
146. prog_gans_pytorch_inference: การอนุมาน pytorch สำหรับ "การเติบโตของ Gans" แบบก้าวหน้า "ด้วย snapshot celeba
147. Pytorch-Capsule: การใช้งาน Pytorch ของการกำหนดเส้นทางแบบไดนามิกของ Hinton ระหว่างแคปซูล
148. Pyramidnet-Pytorch: การใช้งาน Pytorch สำหรับ Pyramidnets (เครือข่ายที่เหลือจากพีระมิดลึก, arxiv.org/abs/1610.02915)
149. วิทยุ-ทรานส์ฟอร์เนอร์เครือข่าย: การใช้งาน Pytorch ของเครือข่ายหม้อแปลงวิทยุจากกระดาษ "การแนะนำเพื่อการเรียนรู้อย่างลึกซึ้งสำหรับเลเยอร์ทางกายภาพ" arxiv.org/abs/1702.00832
150. Honk: การปรับปรุงการปรับแต่ง Pytorch ใหม่ของ TensorFlow CNNS ของ Google สำหรับการระบุคำหลัก
151. Deepcoral: การใช้ pytorch ของ 'Deep Coral: การจัดตำแหน่งสหสัมพันธ์สำหรับการปรับโดเมนลึก', ECCV 2016
152. Pytorch-pose: ชุดเครื่องมือ Pytorch สำหรับการประมาณค่าโพสท่ามนุษย์ 2D
153. Lang-Emerge-Parlai: การใช้งานกระดาษ EMNLP 2017 "ภาษาธรรมชาติไม่ได้เกิดขึ้น 'ธรรมชาติ' ในกล่องโต้ตอบหลายตัวแทน" โดยใช้ Pytorch และ Parlai
154. Rainbow: Rainbow: การรวมการปรับปรุงในการเรียนรู้การเสริมแรงอย่างลึกซึ้ง
155. pytorch_compact_bilinear_pooling v1: ที่เก็บนี้มีการใช้ Python บริสุทธิ์ของการรวม bilinear ขนาดกะทัดรัดและนับภาพร่างสำหรับ pytorch
156. Compactbilinearpooling-Pytorch V2: (Yang Gao, et al.) การใช้งาน pytorch สำหรับการรวม bilinear ขนาดกะทัดรัด
157. ไม่กี่ shotlearning: การใช้งาน pytorch ของกระดาษ "การเพิ่มประสิทธิภาพเป็นแบบจำลองสำหรับการเรียนรู้ไม่กี่นัด"
158. Meprop: รหัสสำหรับ "meprop: การแพร่กระจายกลับแบบ sparsified สำหรับการเรียนรู้อย่างลึกซึ้งด้วยการลดการเกินขอบเขต"
159. SFD_PYTORCH: การใช้งาน Pytorch ของเครื่องตรวจจับใบหน้าที่ไม่แปรปรวนแบบสเกลเดี่ยว
160. GRADIENTEPISODICMEMORY: การเรียนรู้อย่างต่อเนื่องกับอัญมณี: หน่วยความจำฉากไล่ระดับสี https://arxiv.org/abs/1706.08840
161. deblurgan: การใช้งาน Pytorch ของ deblurgan กระดาษ: การเคลื่อนไหวแบบตาบอดโดยใช้เครือข่ายที่มีเงื่อนไข
162. Stargan: Stargan: เครือข่ายที่เป็นเอกภาพแบบรวมสำหรับการ tranlsation ภาพหลายโดเมน
163. CapsNet-Pytorch: การใช้งาน Pytorch ของ NIPS 2017 การกำหนดเส้นทางแบบไดนามิกของ Paper ระหว่างแคปซูล
164. Condensenet: Condensenet: Densenet ที่มีประสิทธิภาพโดยใช้ความเชื่อกลุ่มที่เรียนรู้
165. Deep-Image-Prior: การฟื้นฟูภาพด้วยเครือข่ายประสาท แต่ไม่มีการเรียนรู้
166. หัวลึก: การประมาณหัวการเรียนรู้ลึกโดยใช้ pytorch
167. การลบแบบสุ่ม: รหัสนี้มีซอร์สโค้ดสำหรับกระดาษ "การเพิ่มการลบข้อมูลแบบสุ่ม"
168. FadernetWorks: เครือข่ายเฟดเดอร์: จัดการรูปภาพโดยการเลื่อนแอตทริบิวต์ - NIPS 2017
169. Flownet 2.0: Flownet 2.0: วิวัฒนาการของการประมาณค่าการไหลของแสงด้วยเครือข่ายลึก
170. PIX2PIXHD: การสังเคราะห์และจัดการภาพ 2048x1024 ด้วยเงื่อนไข GANS TCWANG0509.GITHUB.IO/PIX2PIXHD
171. Pytorch-Smoothgrad: การใช้งาน SmoothGrad ใน Pytorch
172. Retinanet: การดำเนินการของเรตินเน็ตใน Pytorch
173. Faster-rcnn.pytorch: โครงการนี้เป็นการดำเนินการ R-CNN ที่เร็วขึ้นเร็วขึ้นโดยมีวัตถุประสงค์เพื่อเร่งการฝึกอบรมแบบจำลองการตรวจจับวัตถุ R-CNN ที่เร็วขึ้น
174. Mixup_pytorch: การใช้งาน pytorch ของการผสมกระดาษ: นอกเหนือจากการลดความเสี่ยงเชิงประจักษ์ใน pytorch
175. inplace_abn: batchnorm เปิดใช้งานในสถานที่สำหรับการฝึกอบรมหน่วยความจำที่เพิ่มประสิทธิภาพของ DNNS
176. Pytorch-pose-HG-3D: การใช้งาน pytorch สำหรับการประมาณท่า 3 มิติของมนุษย์
177. NMN-PYTORCH: เครือข่ายโมดูลประสาทสำหรับ VQA ใน Pytorch
178. BytEnet: การใช้งาน Pytorch ของ Bytenet จากกระดาษ "การแปลด้วยเครื่องประสาทในเวลาเชิงเส้น"
179. จากล่างขึ้นบน-ความสนใจ-VQA: VQA, ความสนใจจากล่างขึ้นบน, pytorch
180. YOLO2-PYTORCH: YOLOV2 เป็นหนึ่งในเครื่องตรวจจับวัตถุที่ได้รับความนิยมมากที่สุด โครงการนี้ใช้ Pytorch เป็นกรอบการพัฒนาเพื่อเพิ่มประสิทธิภาพการผลิตและใช้ ONNX เพื่อแปลงโมเดลเป็น Caffe 2 เพื่อการปรับใช้วิศวกรรมเบนิฟิท
181. Reseg-Pytorch: การใช้งาน Pytorch ของ Reseg (arxiv.org/pdf/1511.07053.pdf)
182. Binary-Stochastic-neurons: เซลล์ประสาทสุ่มไบนารีใน Pytorch
183. การประเมิน Pytorch-pose: การใช้งาน Pytorch ของโครงการประมาณการหลายคนแบบเรียลไทม์
184. Interaction_network_pytorch: การใช้งาน Pytorch ของเครือข่ายปฏิสัมพันธ์สำหรับการเรียนรู้เกี่ยวกับวัตถุความสัมพันธ์และฟิสิกส์
185. Noisynaturalgradient: การใช้งาน Pytorch ของกระดาษ
186. ewc.pytorch: การดำเนินการของการรวมน้ำหนักยืดหยุ่น (EWC) ที่เสนอใน James Kirkpatrick และคณะ การเอาชนะความหายนะที่ลืมใน Neural Networks 2016 (10.1073/PNAS.1611835114)
187. Pytorch-ZSSR: การใช้งาน Pytorch ในปี 1712.06087 "zero-shot" ความละเอียดสูงโดยใช้การเรียนรู้ภายในลึก
188. Deep_image_Prior: การใช้วิธีการสร้างภาพใหม่จาก Deep Image ก่อน (Ulyanov et al., 2017) ใน Pytorch
189. Pytorch-Transformer: การใช้ Pytorch การให้ความสนใจเป็นสิ่งที่คุณต้องการ
190. Deeprl-Grounding: นี่คือการใช้งาน Pytorch ของสถาปัตยกรรม AAAI-18 Paper Gated-Attention สถาปัตยกรรมสำหรับการลงดินภาษาที่มุ่งเน้นงาน
191. Deep-Forecast-Pytorch: การทำนายความเร็วลมโดยใช้ LSTMS ใน pytorch (arxiv.org/pdf/1707.08110.pdf)
192. Cat-Net: การเปลี่ยนแปลงรูปลักษณ์ที่เป็นที่ยอมรับ
193. Minimal_Glo: การใช้ pytorch ขั้นต่ำของการเพิ่มประสิทธิภาพแฝงแบบกำเนิดจากกระดาษ "เพิ่มประสิทธิภาพพื้นที่แฝงของเครือข่ายกำเนิด"
194. LearningTocompare-Pytorch: การใช้งาน Pytorch สำหรับกระดาษ: การเรียนรู้เพื่อเปรียบเทียบ: เครือข่ายความสัมพันธ์สำหรับการเรียนรู้ไม่กี่นัด
195. Poincare-embeddings: การใช้งาน Pytorch ของกระดาษ NIPS-17 "Poincaré Embeddings สำหรับการเรียนรู้การเป็นตัวแทนลำดับชั้น"
196. Pytorch-trpo (รุ่นผลิตภัณฑ์ Hessian-Vector): นี่คือการใช้งาน Pytorch ของ "การเพิ่มประสิทธิภาพนโยบายภูมิภาค Trust (TRPO)" ด้วยผลิตภัณฑ์ Hessian-Vector ที่แน่นอนแทนที่จะเป็นความแตกต่างที่ จำกัด
197. GGNN.PYTORCH: การใช้งาน pytorch ของเครือข่าย Neural Sequence gated (GGNN)
198. การโต้ตอบกับเครือข่ายเครือข่าย-Pytorch: นี่คือการใช้งานกระดาษเครือข่ายการโต้ตอบแบบ deepmind ภาพโดยใช้ pytorch
199. Patch Patch: การใช้งาน Pytorch ของ Patch Patch
200. Prototypical-Networks-for-few-shot-learning-pytorch: การใช้งานเครือข่ายต้นแบบสำหรับการเรียนรู้การยิงไม่กี่ครั้ง (arxiv.org/abs/1703.05175) ใน Pytorch
201. Visual-Feature-Attribution-using-Wasserstein-Gans-Pytorch: การใช้งานการระบุแหล่งที่มาของคุณลักษณะภาพโดยใช้ Wasserstein Gans (arxiv.org/abs/1711.08998) ใน Pytorch
202. Photographicimagesynthesiswithcascadedrefinementnetworks -Pytorch: การสังเคราะห์ภาพภาพถ่ายด้วยเครือข่ายการปรับแต่งแบบเรียงซ้อน - การใช้งาน Pytorch
203. Enas-Pytorch: การใช้งาน Pytorch ของ "การค้นหาสถาปัตยกรรมประสาทที่มีประสิทธิภาพผ่านการแบ่งปันพารามิเตอร์"
204. การประเมินภาพของระบบประสาท: การดำเนินการประเมินภาพประสาท
205. Proxprop: backpropagation ใกล้เคียง - อัลกอริทึมการฝึกอบรมเครือข่ายประสาทที่ใช้โดยนัยแทนขั้นตอนการไล่ระดับสีที่ชัดเจน
206. FastPhotostyle: โซลูชันแบบปิดสำหรับการถ่ายภาพด้วยแสง photorealistic
207. Deep-Image-analogy-Pytorch: การใช้ Python ของภาพลึก-ภาพลึกบนพื้นฐานของ pytorch
208. person-reid_pytorch: pytorch สำหรับบุคคล re-id
209. Pt-dilate-RNN: ขยาย RNNs ใน Pytorch
210. Pytorch-i-revnet: การใช้งาน pytorch ของ i-revnets
211. Orthnet: เลเยอร์ Tensorflow และ Pytorch สำหรับการสร้างพหุนาม orthogonal
212. DRRN-PYTORCH: การใช้งานเครือข่ายส่วนที่เหลือแบบเรียกซ้ำลึกสำหรับ Super Resolution (DRRN), CVPR 2017
213. แชมพู Pytorch: การใช้แชมพู
214. การประเมินภาพประสาท-ภาพ 2: การดำเนินการประเมินภาพประสาท
215. TCN: เกณฑ์มาตรฐานการสร้างแบบจำลองและเครือข่าย convolutional temporal locuslab/tcn
216. DCC: ที่เก็บนี้มีซอร์สโค้ดและข้อมูลสำหรับการสร้างผลลัพธ์ของกระดาษคลัสเตอร์ต่อเนื่องลึก
217. Packnet: รหัสสำหรับ Packnet: การเพิ่มหลายงานในเครือข่ายเดียวโดยการตัดซ้ำ arxiv.org/abs/1711.05769
218. Pytorch-progressive_growing_of_gans: การใช้ pytorch การเติบโตของการเติบโตของ Gans เพื่อการปรับปรุงคุณภาพความมั่นคงและการเปลี่ยนแปลง
219. Nonauto-NMT: การใช้งาน pytorch ของ "การแปลเครื่องประสาทที่ไม่ใช่ระบบประสาท"
220. Pytorch-Gan: การใช้งาน Pytorch ของเครือข่ายฝ่ายตรงข้ามกำเนิด
221. Pytorchwavelets: การใช้งานการวิเคราะห์เวฟเล็ตที่พบใน Torrence และ Compo (1998)
222. Pytorch-Made: Made (Masked Autoencoder Experation การประมาณความหนาแน่น) ใน Pytorch
223. VRNN: การใช้ Pytorch ของตัวแปร RNN (VRNN) จากโมเดลตัวแปรแฝงที่เกิดขึ้นอีกสำหรับข้อมูลตามลำดับ
224. Flow: การใช้งาน Pytorch ของ ICLR 2018 การเรียนรู้อย่างลึกซึ้งสำหรับกระบวนการทางกายภาพ: บูรณาการความรู้ทางวิทยาศาสตร์ก่อน
225. DeepVoice3_Pytorch: การใช้งาน Pytorch ของแบบจำลองการสังเคราะห์ข้อความที่ใช้เครือข่ายแบบ convolutional
226. PSMM: การสร้างแบบจำลองส่วนผสมของตัวชี้ Sentinel ตามที่อธิบายไว้ในกระดาษโดย Stephen Merity และคณะ
227. Tacotron2: Tacotron 2-การใช้งาน Pytorch ด้วยการอนุมานเร็วกว่าจริง
228. ACCSGD: ใช้รหัส pytorch สำหรับอัลกอริทึม SGD เร่งความเร็ว
229. Qanet-Pytorch: การดำเนินการของ Qanet กับ Pytorch (EM/F1 = 70.5/77.2 หลังจาก 20 Epoches ประมาณ 20 ชั่วโมงในการ์ด 1080Ti หนึ่งใบ)
230. สื่อ: การฝังกราฟความรู้ 2D แบบ convolutional
231. โครงสร้าง-ตนเอง-ความตั้งใจ: การดำเนินการสำหรับบทความการฝังประโยคที่มีโครงสร้างด้วยตนเองที่มีโครงสร้างซึ่งตีพิมพ์ใน ICLR 2017: arxiv.org/abs/1703.03130
232. GraphSage-Simple: การใช้งานการอ้างอิงอย่างง่ายของกราฟ
233. detectron.pytorch: การใช้ pytorch ของ detectron ทั้งการฝึกอบรมตั้งแต่เริ่มต้นและอนุมานโดยตรงจากน้ำหนักตัว detectron ที่ผ่านการฝึกฝน
234. R2PLUS1D-PYTORCH: การใช้งาน Pytorch ของสถาปัตยกรรม RESNET ที่ใช้ R2PLUS1D ที่อธิบายไว้ในกระดาษ
235. Stacknn: การใช้งาน pytorch ของสแต็คที่แตกต่างกันเพื่อใช้ในเครือข่ายประสาท
236. TranslAgent: รหัสสำหรับการแปลฉุกเฉินในการสื่อสารหลายตัวแทน
237. Ban-VQA: เครือข่ายความสนใจของ Bilinear สำหรับการตอบคำถามด้วยภาพ
238. Pytorch-Openai-Transformer-LM: นี่คือการใช้งานรหัส tensorflow ที่มาพร้อมกับกระดาษของ Openai "ปรับปรุงความเข้าใจภาษาโดยการฝึกอบรมก่อนการกำเนิด" โดย Alec Radford, Karthik Narasimhan, Tim Salimans และ Ilya Sutskever
239. T2F: การสร้างข้อความถึงหน้าผากโดยใช้การเรียนรู้อย่างลึกซึ้ง โครงการนี้รวมสถาปัตยกรรมสองสถาปัตยกรรมล่าสุด Stackgan และ Progan สำหรับการสังเคราะห์ใบหน้าจากคำอธิบายที่เป็นข้อความ
240. Pytorch - FID: A Port of Fréchet Inception ระยะทาง (คะแนน FID) ถึง Pytorch
241. vae_vpflows: รหัสใน pytorch สำหรับการรวมกันเชิงเส้น IAF และการไหลของเจ้าของบ้าน, JM Tomczak & M. Welling Jmtomczak.github.io/deebmed.html
242. CoordConv-Pytorch: การใช้งาน Pytorch ของ CoordConv ที่แนะนำใน 'ความล้มเหลวที่น่าสนใจของเครือข่ายประสาท convolutional และกระดาษโซลูชัน CoordConv' (arxiv.org/pdf/1807.03247.pdf)
243. SDPOINT: การใช้งาน "Stochastic Downsampling สำหรับการอนุมานที่ปรับค่าใช้จ่ายและปรับปรุงการทำให้เป็นมาตรฐานในเครือข่าย Convolutional" ซึ่งตีพิมพ์ใน CVPR 2018
244. Srdensenet-Pytorch: SRDENSENET-PYTORCH （ICCV_2017)
245. Gan_stability: รหัสสำหรับกระดาษ "วิธีการฝึกอบรมใดสำหรับ Gans ที่มาบรรจบกันจริง (ICML 2018)"
246. MASK-RCNN: การใช้งาน Pytorch ของสถาปัตยกรรมของ Mask RCNN ทำหน้าที่เป็นการแนะนำการทำงานกับ Pytorch
247. Pytorch-Coviar: การจดจำการกระทำของวิดีโอบีบอัด
248. pnasnet.pytorch: การใช้งาน pytorch ของ PNASNET-5 บน Imagenet
249. Nalu-Pytorch: การใช้ pytorch ขั้นพื้นฐานของ NAC/NALU จากหน่วยตรรกะการคำนวณระบบประสาท arxiv.org/pdf/1808.00508.pdf
250. LOLA_DICE: การใช้งาน Pytorch ของ Lola (arxiv.org/abs/1709.04326) การใช้ลูกเต๋า (arxiv.org/abs/1802.05098)
251. Generative-Query-Network-Pytorch: Generative Query Network (GQN) ใน Pytorch ตามที่อธิบายไว้ใน "การแสดงฉากประสาทและการแสดงผล"
252. pytorch_hmax: การใช้แบบจำลอง HMAX ของการมองเห็นใน Pytorch
253. FCN-PYTORCH-EESIETS: พยายามที่จะใช้งาน Pytorch ที่ง่ายที่สุดและใช้งานได้ง่ายที่สุด
254. TransDucer: การใช้งาน TransDucer ลำดับที่รวดเร็วด้วยการผูก pytorch
255. Avo-Pytorch: การใช้การเพิ่มประสิทธิภาพการแปรปรวนของคู่แข่งใน Pytorch
256. HCN-PYTORCH: การปรับปรุงการเรียนรู้ของ pytorch {co-occurrence การเรียนรู้จากข้อมูลโครงกระดูกเพื่อการจดจำการกระทำและการตรวจจับด้วยการรวมลำดับชั้น}
257. Binary-Wide-Resnet: การใช้งาน Pytorch ของเครือข่ายที่เหลือกว้างด้วยน้ำหนัก 1 บิตโดย McDonnel (ICLR 2018)
258. Piggyback: รหัสสำหรับ Piggyback: การปรับเครือข่ายเดียวกับงานหลายอย่างโดยการเรียนรู้ที่จะปกปิดน้ำหนัก arxiv.org/abs/1801.06519
259. VID2VID: การใช้งาน Pytorch ของวิธีการของเราสำหรับความละเอียดสูง (เช่น 2048x1024) การแปลวิดีโอไปยังวิดีโอ
260. Poisson-Convolution-sum: ใช้ผลรวมที่ไม่มีที่สิ้นสุดของการโน้มน้าว
261. TBD-NETS: การใช้งาน pytorch ของ "ความโปร่งใสโดยการออกแบบ: การปิดช่องว่างระหว่างประสิทธิภาพและความสามารถในการตีความในการให้เหตุผลด้วยสายตา" arxiv.org/abs/1803.05268
262. ATTN2D: ความสนใจที่แพร่หลาย: เครือข่าย 2D Convolutional สำหรับการทำนายลำดับต่อลำดับ
263. YOLOV3: YOLOV3: การฝึกอบรมและการอนุมานใน Pytorch pjreddie.com/darknet/yolo
264. Deep-Dream-in-Pytorch: การใช้งาน Pytorch ของอัลกอริทึมการมองเห็นคอมพิวเตอร์ DeepDream
265. Pytorch-flow: การใช้งาน pytorch ของอัลกอริทึมสำหรับการประมาณความหนาแน่น
266. Quantile-Regression-dqn-Pytorch: Quantile การถดถอย DQN ตัวอย่างการทำงานน้อยที่สุด
267. Relational-RNN-Pytorch: การใช้งานเครือข่ายประสาทกำเริบของ DeepMind ใน Pytorch
268. dextr-pytorch: deep extreme cut http://www.vision.ee.ethz.ch/~cvlsegmentation/dextr
269. pytorch_gbw_lm: โมเดลภาษา pytorch สำหรับชุดข้อมูลคำศัพท์ Google พันล้าน
270. Pytorch-Nce: การประมาณค่าเสียงที่ตรงกันข้ามสำหรับเอาต์พุต softmax ที่เขียนใน pytorch
271. รุ่น Generative: คำอธิบายประกอบ, เข้าใจได้และสามารถตีความได้อย่างชัดเจนของ Pytorch ของ: vae, birvae, nsgan, mmgan, wgan, wgangp, lsgan, dragan, เริ่ม, Ragan, Infogan, Fgan, Fishergan
272. Convnet-AIG: การใช้งาน Pytorch สำหรับเครือข่าย convolutional ด้วยกราฟการอนุมานแบบปรับตัว
273. Integrated-gradient-Pytorch: นี่คือการใช้งาน Pytorch ของกระดาษ-การระบุแหล่งที่มาตามจริงสำหรับเครือข่ายลึก
274. Malconv-Pytorch: การใช้งาน Pytorch ของ Malconv
275. TRELLISNET: เครือข่าย Trellis สำหรับการสร้างแบบจำลองลำดับ
276. การเรียนรู้ที่จะสื่อสารกับการเรียนรู้การเสริมแรงแบบหลายตัวแทนลึก: การใช้ Pytorch การเรียนรู้การสื่อสารกับกระดาษเรียนรู้การเสริมแรงแบบหลายตัวแทน
277. pnn.pytorch: การใช้งาน pytorch ของ cvpr'18 - เครือข่ายประสาทที่ก่อกวน http://xujuefei.com/pnn.html
278. face_attention_network: การใช้งาน Pytorch ของเครือข่ายความสนใจของใบหน้าตามที่อธิบายไว้ในเครือข่ายความสนใจของใบหน้า: เครื่องตรวจจับใบหน้าที่มีประสิทธิภาพสำหรับใบหน้าที่ถูกปิด
279. Waveglow: เครือข่ายกำเนิดที่ใช้การไหลสำหรับการสังเคราะห์คำพูด
280. Deepfloat: ที่เก็บนี้มี SystemVerilog RTL, C ++, HLS (Intel FPGA OpenCl เพื่อห่อรหัส RTL) และ Python ที่จำเป็นในการทำซ้ำผลลัพธ์เชิงตัวเลขใน "การทบทวนจุดลอยตัวสำหรับการเรียนรู้ลึก"
281. EPSR: การใช้งาน Pytorch ของการวิเคราะห์การแลกเปลี่ยนการรับรู้-การแลกเปลี่ยนโดยใช้เครือข่ายการรับรู้ระดับสูงที่ได้รับการรับรู้ งานนี้ได้รับรางวัลครั้งแรกในการแข่งขัน Pirm2018-SR (ภาค 1) ซึ่งจัดขึ้นเป็นส่วนหนึ่งของ ECCV 2018
282. คลาริเน็ต: การใช้งาน pytorch ของ clarinet arxiv.org/abs/1807.07281
283. Pytorch-Pretrained-Bert: รุ่น Pytorch ของ Bert Model ของ Google AI พร้อมสคริปต์เพื่อโหลดโมเดลที่ผ่านการฝึกอบรมมาก่อนของ Google
284. TORCH_WAVEGLOW: การใช้งาน Pytorch ของ Waveglow: เครือข่ายกำเนิดที่ใช้การไหลสำหรับการสังเคราะห์คำพูด
285. 3DDFA: Pytorch ปรับปรุงการใช้งานซ้ำของ TPAMI 2017 Paper: การจัดแนวใบหน้าในช่วงการโพสต์เต็มรูปแบบ: โซลูชันทั้งหมด 3 มิติ
286. Loss-Landscape: รหัสภูมิทัศน์การสูญเสียสำหรับการมองเห็นภูมิทัศน์การสูญเสียของอวนประสาท
287. FAMOS: การใช้งาน Pytorch ของกระดาษ "คัดลอก Old หรือ Paint อีกครั้งหรือไม่? เฟรมเวิร์กคู่ปรับสำหรับ (ไม่ใช่) parametric image stylization" มีให้ที่ http://arxiv.org/abs/1811.09236
288. Back2Future.pytorch: นี่คือการใช้งาน Pytorch ของ Janai, J. , Güney, F. , Ranjan, A. , Black, M. และ Geiger, A. , การเรียนรู้ที่ไม่ได้รับการดูแลจากการไหลของแสงหลายเฟรม ECCV 2018
289. FFTNET: การใช้งานอย่างไม่เป็นทางการของกระดาษ Vocode FFTNet
290. faceboxes.pytorch: การใช้งาน pytorch ของ faceboxes
291. Transformer-XL: Transformer-XL: โมเดลภาษาที่เอาใจใส่เกินความยาวคงที่ contexthttps: //github.com/kimiyoung/transformer-xl
292. Associative_compression_networks: เครือข่ายการบีบอัดแบบเชื่อมโยงสำหรับการเรียนรู้การเป็นตัวแทน
293. FLUIDNET_CXX: FluidNet เขียนใหม่ด้วย Aten Tensor Lib
294. การเสริมแรงอย่างลึกล้ำ-การเรียนรู้อัลกอริธึมกับ Pytorch: ที่เก็บนี้มีการใช้งาน pytorch ของอัลกอริทึมการเรียนรู้การเสริมแรงอย่างลึกล้ำ
295. Shufflenet-V2-Pytorch: นี่คือการใช้งาน pytorch ของ shufflenet-V2 ของ FacePlusPlus
296. graphwaveletneuralnetwork: นี่คือการใช้งาน pytorch ของเครือข่ายประสาทเวฟเล็ตกราฟ ICLR 2019
297. AttentionWalk: นี่คือการใช้งาน Pytorch ของ Watch Your Step: การเรียนรู้โหนดฝังตัวผ่านความสนใจของกราฟ NIPS 2018
298. SGCN: นี่คือการใช้งาน pytorch ของเครือข่ายกราฟที่ลงนาม ICDM 2018
299. SINE: นี่คือการใช้ Pytorch ของ SINE: การฝังเครือข่ายที่ไม่สมบูรณ์ที่ปรับขนาดได้ ICDM 2018
300. GAM: นี่คือการใช้ Pytorch ของการจำแนกกราฟโดยใช้ความสนใจโครงสร้าง KDD 2018
301. Neural-Style-PT: การใช้งาน Pytorch ของสไตล์ประสาทของจัสตินจอห์นสัน
302. Tucker: Tucker: Tensor Factorization สำหรับการทำให้กราฟความรู้เสร็จสมบูรณ์
303. Pytorch-Prunes: การตัดแต่งเครือข่ายประสาท: ถึงเวลาที่จะหยิกมันในตาหรือไม่?
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.