the incredible pytorch

---

这是一个精选的教程、项目、库、视频、论文、书籍以及与令人难以置信的 PyTorch 相关的任何内容的列表。请随意提出拉取请求以对此列表做出贡献。

目录

• 目录
  • 教程
  • 大型语言模型 (LLM)
  • 表格数据
  • 可视化
  • 可解释性
  • 物体检测
  • 长尾/分布外识别
  • 激活函数
  • 基于能量的学习
  • 缺失数据
  • 架构搜索
  • 持续学习
  • 优化
  • 量化
  • 量子机器学习
  • 神经网络压缩
  • 面部、动作和姿势识别
  • 超分辨率
  • 综合视图
  • 嗓音
  • 医疗的
  • 3D 分割、分类和回归
  • 视频识别
  • 循环神经网络 (RNN)
  • 卷积神经网络 (CNN)
  • 分割
  • 几何深度学习：图形和不规则结构
  • 排序
  • 常微分方程网络
  • 多任务学习
  • GAN、VAE 和 AE
  • 无监督学习
  • 对抗性攻击
  • 风格转移
  • 图像字幕
  • 变形金刚
  • 相似网络和函数
  • 推理
  • 通用自然语言处理
  • 问答
  • 语音生成和识别
  • 文档和文本分类
  • 文本生成
  • 文字转图像
  • 翻译
  • 情绪分析
  • 深度强化学习
  • 深度贝叶斯学习和概率编程
  • 尖峰神经网络
  • 异常检测
  • 回归类型
  • 时间序列
  • 综合数据集
  • 神经网络的总体改进
  • DNN 在化学和物理中的应用
  • 通用神经网络架构的新思考
  • 线性代数
  • API抽象
  • 低级实用程序
  • PyTorch 实用程序
  • PyTorch 视频教程
  • 社区
  • 待分类
  • 到此存储库的链接
  • 贡献

教程

• 官方 PyTorch 教程
• 官方 PyTorch 示例
• 使用 PyTorch 深入研究深度学习
• PyTorch 深度学习迷你课程（多语言）
• 使用 PyTorch 进行实用深度学习
• 深度学习模型
• PyTorch 教程的 C++ 实现
• 介绍 PyTorch 的简单示例
• PyTorch 迷你教程
• NLP 深度学习
• 研究人员深度学习教程
• 使用 PyTorch 实现的全卷积网络
• 简单的 PyTorch 教程从零到全部
• DeepNLP-模型-Pytorch
• MILA PyTorch 欢迎教程
• 有效的 PyTorch，使用 TorchScript 优化运行时和数值稳定性优化
• 实用 PyTorch
• PyTorch 项目模板
• 使用 PyTorch 进行语义搜索

大型语言模型 (LLM)

• 法学硕士教程
  • 构建大型语言模型（从头开始）
  • Hugginface LLM 培训手册，帮助成功训练大型语言模型的方法集
• 一般的
  • Starcoder 2，代码生成模型系列
  • GPT 快速、快速且可破解的 pytorch 原生变压器推理
  • Mixtral Offloading，在 Colab 或消费者桌面中运行 Mixtral-8x7B 模型
  • 骆驼
  • 骆驼食谱
  • 小羊驼
  • 马赛克预训练变压器 (MPT)
  • VLLM，适用于法学硕士的高吞吐量和内存高效推理和服务引擎
  • 多莉
  • 骆驼毛
  • 米斯特拉尔7B
  • BigDL LLM，用于使用 INT4 在 Intel XPU（从笔记本电脑到 GPU 再到云）上运行 LLM（大型语言模型）的库，延迟非常低1（适用于任何 PyTorch 模型）
  • 简单的LLM微调器
  • Petals，在家运行法学硕士，BitTorrent 风格，微调和推理速度比卸载快 10 倍
• 日本人
  • 日本骆驼
  • 日本 GPT Neox 和 Open Calm
• 中国人
  • 中国羊驼-2 7B
  • 中国骆驼毛
• 检索增强生成 (RAG)
  • LlamaIndex，LLM 申请的数据框架
• 嵌入
  • ChromaDB，开源嵌入数据库
• 应用领域
  • Langchain，通过可组合性与法学硕士构建应用程序
• 微调
  • Huggingface PEFT，最先进的参数高效微调
• 训练
  • Higgsfield、容错、高度可扩展的 GPU 编排以及专为训练具有数十亿到数万亿参数的模型而设计的机器学习框架
• 量化
  • AutoGPTQ，易于使用的 LLM 量化包，具有用户友好的 API，基于 GPTQ 算法

表格数据

• PyTorch 框架：多模态表格学习的模块化框架
• Pytorch Tabular，用于为表格数据建模深度学习模型的标准框架
• 标签变压器
• PyTorch-TabNet：专注的可解释表格学习
• carefree-learn：基于 PyTorch 的表格数据集的最小自动机器学习 (AutoML) 解决方案

可视化

• 损失可视化
• Grad-CAM：通过基于梯度的本地化从深度网络进行视觉解释
• 深入了解卷积网络：可视化图像分类模型和显着性图
• SmoothGrad：通过添加噪声来消除噪声
• DeepDream：梦幻般的致幻视觉效果
• FlashTorch：PyTorch 中神经网络的可视化工具包
• Lucent：适用于 PyTorch 的 Lucid
• DreamCreator：使用自定义数据集为 DeepDream 训练 GoogleNet 模型变得简单
• CNN 特征图可视化

可解释性

• 神经支持的决策树
• 从时态数据进行有效的协方差估计
• 神经网络预测的分层解释
• Shap，解释任何机器学习模型输出的统一方法
• 使用 netron 可视化 PyTorch 保存的 .pth 深度学习模型
• 将神经网络提炼为软决策树
• Captum，PyTorch 的统一模型可解释性库

物体检测

• MMDetection 对象检测工具箱
• Mask R-CNN 基准：PyTorch 1.0 中的 Faster R-CNN 和 Mask R-CNN
• YOLO世界
• 约洛斯
• 尤洛夫
• 优乐克斯
• YOLOv10
• YOLOv9
• YOLOv8
• 约洛夫7
• YOLOv6
• 约洛夫5
• 约洛夫4
• YOLOv3
• YOLOv2：实时目标检测
• SSD：单次多盒探测器
• 用于物体检测的 Detectron 模型
• 使用深度卷积神经网络从街景图像中识别多位数字
• 鲸鱼探测器
• 催化剂检测

长尾/分布外识别

• 用于群转移的分布鲁棒神经网络：论正则化对于最坏情况泛化的重要性
• 不变风险最小化
• 训练置信度校准分类器以检测分布外样本
• 具有异常值暴露的深度异常检测
• 开放世界中的大规模长尾识别
• 神经网络中分布不均示例的原则性检测
• 神经网络中分布外检测的学习置信度
• PyTorch 不平衡类采样器

激活函数

• 有理激活 - 可学习的有理激活函数

基于能量的学习

• EBGAN，基于能量的 GAN
• 基于能量的模型的最大熵发生器

缺失数据

• BRITS：时间序列的双向循环插补

架构搜索

• 高效网络V2
• 密集NAS
• DARTS：可微架构搜索
• 高效神经架构搜索（ENAS）
• EfficientNet：重新思考卷积神经网络的模型扩展

持续学习

• Renate，神经网络的自动再训练

优化

• AccSGD、AdaBound、AdaMod、DiffGrad、Lamb、NovoGrad、RAdam、SGDW、Yogi 等
• 前瞻优化器：向前 k 步，后退 1 步
• RAdam，关于自适应学习率的方差及其他
• Over9000，RAdam、Lookahead、Novograd 及其组合的比较
• AdaBound，训练像 Adam 一样快，像 SGD 一样好
• 黎曼自适应优化方法
• L-BFGS
• OptNet：可微优化作为神经网络中的一层
• 学习通过梯度下降来学习
• 尖峰神经网络中的替代梯度学习
• TorchOpt：用于可微分优化的高效库

量化

• 加性二次幂量化：神经网络的高效非均匀离散化

量子机器学习

• Tor10，PyTorch 中用于量子模拟的通用张量网络库
• PennyLane，具有 PyTorch 接口的用于量子机器学习的跨平台 Python 库

神经网络压缩

• 用于深度学习的贝叶斯压缩
• 英特尔人工智能实验室的 Neural Network Distiller：用于神经网络压缩研究的 Python 包
• 通过 L0 正则化学习稀疏神经网络
• 通过加权稀疏投影和层输入掩蔽对深度神经网络进行能量约束压缩
• EigenDamage：克罗内克因子特征基础中的结构化修剪
• 修剪卷积神经网络以实现资源高效推理
• 修剪神经网络：是时候将其消灭在萌芽状态了吗？ （显示减少的网络效果更好）

面部、动作和姿势识别

• Facenet：预训练的 Pytorch 人脸检测和识别模型
• DGC-Net：密集几何对应网络
• PyTorch 上的高性能面部识别库
• FaceBoxes，高精度CPU实时人脸检测器
• 我们距离解决 2D 和 3D 面部对齐问题还有多远？ （以及包含 230,000 个 3D 面部标志的数据集）
• 使用 3D 残差网络学习时空特征以进行动作识别
• PyTorch 实时多人姿势估计
• SphereFace：用于人脸识别的深度超球面嵌入
• GANimation：来自单个图像的解剖学面部动画
• Face++ 的 Shufflenet V2 比纸张效果更好
• 野外 3D 人体姿势估计：弱监督方法
• 从视频中无监督学习深度和自我运动
• FlowNet 2.0：深度网络光流估计的演变
• FlowNet：使用卷积网络学习光流
• 使用空间金字塔网络的光流估计
• PyTorch 中的 OpenFace
• PyTorch 中的深度人脸识别

超分辨率

• 用于单图像超分辨率的增强型深度残差网络
• 使用高效的子像素卷积神经网络进行超分辨率
• 实时风格转移和超分辨率的感知损失

综合视图

• NeRF，神经弧度场，综合复杂场景的小说视图

嗓音

• Google AI VoiceFilter：通过扬声器条件频谱图掩蔽进行有针对性的语音分离

医疗的

• Medical Zoo，PyTorch 中的 3D 多模态医学图像分割库
• 用于脑 MRI 中 FLAIR 异常分割的 U-Net
• 通过 ULMFiT 进行基因组分类
• 深度神经网络提高放射科医生在乳腺癌筛查中的表现
• Delira，用于医学成像原型设计的轻量级框架
• V-Net：用于体积医学图像分割的全卷积神经网络
• Medical Torch，PyTorch 的医学成像框架
• TorchXRayVision - 胸部 X 射线数据集和模型的库。包括预先训练的模型。

3D 分割、分类和回归

• Kaolin，加速 3D 深度学习研究的库
• PointNet：用于 3D 分类和分割的点集深度学习
• 使用 MONAI 和 Catalyst 进行 3D 分割

视频识别

• 随着音乐起舞
• 魔鬼在边缘：从嘈杂的注释中学习语义边界
• 深度视频分析
• PredRNN：使用时空 LSTM 进行预测学习的循环神经网络

循环神经网络 (RNN)

• SRU：训练 RNN 的速度与 CNN 一样快
• 有序神经元：将树结构集成到循环神经网络中
• 权重下降的平均随机梯度下降 LSTM
• RNN 的训练速度与 CNN 一样快
• 准循环神经网络 (QRNN)
• ReSeg：基于循环神经网络的语义分割模型
• 序列数据的循环潜变量模型 (VRNN)
• 改进树结构长短期记忆网络的语义表示
• 用于联合意图检测和槽填充的基于注意力的循环神经网络模型
• 细心的循环比较器
• 使用 PyTorch 收集序列到序列模型
  1. 普通序列到序列模型
  2. 基于注意力的序列到序列模型
  3. 使用最终编码器和解码器隐藏状态之间的点积的更快的注意力机制

卷积神经网络 (CNN)

• LegoNet：带有乐高滤波器的高效卷积神经网络
• MeshCNN，专门为三角网格设计的卷积神经网络
• 倍频程卷积
• PyTorch 图像模型、ResNet/ResNeXT、DPN、MobileNet-V3/V2/V1、MNASNet、单路径 NAS、FBNet
• 具有盒卷积的深度神经网络
• 可逆残差网络
• 用于成本可调推理的随机下采样和改进的卷积网络正则化
• 更快的 R-CNN 实现
  • Faster R-CNN 的另一种实现
• 更加关注注意力：通过注意力转移提高卷积神经网络的性能
• PyTorch 中的 Wide ResNet 模型 -DiracNets：在没有 Skip-Connections 的情况下训练非常深的神经网络
• 用于基于图像的序列识别的端到端可训练神经网络及其在场景文本识别中的应用
• 高效密集网
• 通过自适应可分离卷积进行视频帧插值
• 使用三元组和浅层卷积神经网络学习局部特征描述符
• 密集连接的卷积网络
• 用于大规模图像识别的超深卷积网络
• SqueezeNet：AlexNet 级别的精度，参数减少 50 倍，模型大小 <0.5MB
• 用于图像识别的深度残差学习
• 在 PyTorch 中训练 CIFAR-10 和 CIFAR-100 的宽 ResNet
• 可变形卷积网络
• 卷积神经网络
• PyTorch 中的可变形卷积网络
• 扩张 ResNet 与扩张卷积的组合
• 力求简单：全卷积网络
• 卷积 LSTM 网络
• 预训练分类模型的大集合
• 使用 Kaggle 狗与猫数据集进行 PyTorch 图像分类
• Pytorch 上的 CIFAR-10 与 VGG、ResNet 和 DenseNet
• pytorch 中的基本预训练模型和数据集（MNIST、SVHN、CIFAR10、CIFAR100、STL10、AlexNet、VGG16、VGG19、ResNet、Inception、SqueezeNet）
• NVIDIA/无监督视频插值

分割

• FAIR 的 Detectron2
• 使用 PyTorch 对 VOC2012 数据集进行逐像素分割
• Pywick - Pytorch 的高级电池神经网络训练库
• 通过视频传播和标签松弛改进语义分割
• Super-BPD：用于快速图像分割的超级边界到像素方向
• 催化剂分段
• 具有预训练主干的分割模型

几何深度学习：图形和不规则结构

• PyTorch 几何、深度学习扩展
• PyTorch Geometric Temporal：PyTorch Geometric 的时间扩展库
• PyTorch Geometric Signed Directed：PyTorch Geometric 的签名和定向扩展库
• ChemicalX：基于 PyTorch 的药物对评分深度学习库
• 自注意力图池化
• 位置感知图神经网络
• 带符号图卷积神经网络
• 图 U 网
• Cluster-GCN：一种训练深度大图卷积网络的高效算法
• MixHop：通过稀疏邻域混合的高阶图卷积架构
• 半监督图分类：层次图视角
• FAIR 的 PyTorch BigGraph 用于从大规模图数据生成嵌入
• 胶囊图神经网络
• Splitter：学习捕获多个社交上下文的节点表示
• 高阶图卷积层
• 预测然后传播：图神经网络满足个性化 PageRank
• 洛伦兹嵌入：学习双曲空间中的连续层次结构
• 图小波神经网络
• 小心你的脚步：通过图注意力学习节点嵌入
• 有符号图卷积网络
• 使用结构注意力进行图分类
• SimGNN：快速图相似性计算的神经网络方法
• SINE：可扩展的不完整网络嵌入
• HypER：超网络知识图嵌入
• TuckER：用于知识图补全的张量分解
• PyKEEN：用于学习和评估知识图嵌入的 Python 库
• 用于神经消息传递的探路者发现网络
• SSSNET：半监督签名网络聚类
• MagNet：有向图的神经网络
• PyTorch Geopooling：PyTorch 中神经网络的地理空间池模块

排序

• 通过连续松弛的排序网络的随机优化

常微分方程网络

• 不规则采样时间序列的潜在 ODE
• GRU-ODE-Bayes：零星观察的时间序列的连续建模

多任务学习

• 分层多任务学习模型
• 基于任务的端到端模型学习
• torchMTL：pytorch 中用于多任务学习的轻量级模块

GAN、VAE 和 AE

• BigGAN：用于高保真自然图像合成的大规模 GAN 训练
• PyTorch 中生成模型的高保真性能指标
• Mimicry，用于 GAN 研究再现性的 PyTorch 库
• 干净可读的 CycleGAN
• 星GAN
• 块神经自回归流
• 使用条件 GAN 进行高分辨率图像合成和语义操作
• 用于生成对抗网络的基于样式的生成器架构
• GANDisset，用于可视化 GAN 中神经元的 PyTorch 工具
• 通过互信息估计和最大化来学习深度表示
• 变分拉普拉斯自动编码器
• VeGANS，用于轻松训练 GAN 的库
• 逐步发展 GAN 以提高质量、稳定性和变化
• 条件生成对抗网络
• 瓦瑟斯坦 GAN
• 对抗性生成器编码器网络
• 使用条件对抗网络进行图像到图像的转换
• 使用循环一致对抗网络的不成对图像到图像转换
• 关于生成对抗网络中批量和权重归一化的影响
• Wasserstein GAN 的改进训练
• 使用 PyTorch 生成模型的集合
  • 生成对抗网络（GAN）
    1. 普通 GAN
    2. 条件生成对抗网络
    3. 信息生成网络
    4. 瓦瑟斯坦 GAN
    5. 正则化 GAN 模式
  • 变分自动编码器 (VAE)
    1. 香草VAE
    2. 条件VAE
    3. 去噪VAE
    4. 对抗性自动编码器
    5. 对抗性变分贝叶斯
• Wasserstein GAN 的改进训练
• CycleGAN 和半监督 GAN
• 使用 Householder Flow 和凸组合线性逆自回归流改进变分自编码器
• PyTorch GAN 集合
• 生成对抗网络，专注于动漫脸部绘制
• 简单的生成对抗网络
• 对抗性自动编码器
• torchgan：Pytorch 中的生成对抗网络建模框架
• 评估深度生成模型的有损压缩率
• 催化剂GAN
  1. 普通 GAN
  2. 条件生成对抗网络
  3. 瓦瑟斯坦 GAN
  4. Wasserstein GAN 的改进训练

无监督学习

• 通过不变和传播实例特征的无监督嵌入学习
• AND：锚定邻里发现

对抗性攻击

• 深度神经网络很容易被愚弄：对无法识别的图像进行高置信度预测
• 解释和利用对抗性例子
• AdverTorch - 对抗稳健性研究的工具箱

风格转移

• Pystache：神经风格迁移框架
• 通过神经指纹识别对抗样本
• 艺术风格的神经算法
• 用于实时传输的多风格生成网络
• DeOldify，为旧图像着色
• 神经风格迁移
• 快速神经风格迁移
• 像鲍勃·罗斯一样画画

图像字幕

• CLIP（对比语言-图像预训练）
• PyTorch 中的 Neuraltalk 2，图像字幕模型
• 使用 PyTorch 从图像生成标题
• DenseCap：用于密集字幕的全卷积定位网络

变形金刚

• 关注就是你所需要的
• 空间变换网络

相似网络和函数

• 条件相似网络

推理

• 视觉推理的推断和执行程序

通用自然语言处理

• nanoGPT，用于训练/微调中型 GPT 的最快存储库
• minGPT，GPT 的重新实现，变得更小、更干净、更可解释、更具有教育意义
• Espresso，模块神经自动语音识别工具包
• 通过混合注意力进行标签感知文档表示以实现极端多标签文本分类
• XL网
• 通过阅读进行对话：通过按需机器阅读进行内容丰富的神经对话
• 跨语言语言模型预训练
• Libre Office 通过 PyTorch NMT 进行翻译
• 伯特
• VSE++：改进的视觉语义嵌入
• 结构化自注意力句子嵌入
• 神经序列标记模型
• 跳过思维向量
• 在 PyTorch 中训练 Seq2Seq 模型的完整套件
• MUSE：多语言无监督和监督嵌入
• TorchMoji：DeepMoji 的 PyTorch 实现用于表达情感的语言

问答

• Pytorch 中的视觉问答
• 阅读维基百科来回答开放域问题
• 交易还是不交易？谈判对话的端到端学习
• 用于视觉问答的可解释计数
• 使用 PyTorch 的开源聊天机器人

语音生成和识别

• PyTorch-Kaldi 语音识别工具包
• WaveGlow：基于流的语音合成生成网络
• 开放式神经机器翻译
• 深度语音2：英语和普通话的端到端语音识别
• WeNet：生产优先和生产就绪的端到端语音识别工具包

文档和文本分类

• 用于文档分类的分层注意力网络
• 用于文档分类的分层注意力网络
• 基于 CNN 的文本分类

文本生成

• Pytorch 诗歌生成

文字转图像

• 稳定扩散
• 达尔-E 2
• 达尔-E

翻译

• 开源 (MIT) 神经机器翻译 (NMT) 系统

情绪分析

• SemEval 2014 上用于情感分析（基于方面）的循环神经网络
• Seq2Seq意图解析
• 微调 BERT 以进行情感分析

深度强化学习

• 图像增强就是您所需要的：从像素规范化深度强化学习
• 随机网络蒸馏探索
• EGG：游戏语言的出现，快速实现离散通道通信的多智能体博弈
• 时间差异VAE
• 180 行 PyTorch 中的高性能 Atari A3C Agent
• 学习何时在多智能体合作和竞争任务中进行大规模通信
• 多智能体强化学习的 Actor-Attention-Critic
• PyTorch C++ 中的 PPO
• 具有模拟人类反馈的强盗神经机器翻译强化学习
• 深度强化学习的异步方法
• 具有基于模型的加速的连续深度 Q 学习
• Atari 2600 深度强化学习的异步方法
• 信任域策略优化
• 强化学习的神经组合优化
• 用于探索的嘈杂网络
• 分布式近端策略优化
• ViZDoom 环境中使用 PyTorch 的强化学习模型
• 使用 Gym 和 Pytorch 的强化学习模型
• SLM-Lab：PyTorch 中的模块化深度强化学习框架
• 催化剂RL

深度贝叶斯学习和概率编程

• BatchBALD：深度贝叶斯主动学习的高效、多样化批量采集
• 贝叶斯深度学习的子空间推理
• 带有变分推理包的贝叶斯深度学习
• PyTorch 中的概率编程和统计推断
• PyTorch 中的贝叶斯 CNN 和变分推理

尖峰神经网络

• Norse，使用尖峰神经网络进行深度学习的库

异常检测

• 使用深度自动编码器神经网络检测会计异常

回归类型

• 分位数回归 DQN

时间序列

• 用于多元时间序列预测的双自注意力网络
• DILATE：随形状和时间变化的失真损失
• 用于时间序列聚类的变分循环自动编码器
• 用于时空序列建模和关系发现的时空神经网络
• Flow Forecast：基于 PyTorch 构建的深度学习时间序列预测框架

综合数据集

• Meta-Sim：学习生成综合数据集

神经网络的总体改进

• 用于 DNN 内存优化训练的就地激活 BatchNorm
• 训练时间更长，泛化效果更好：缩小神经网络大批量训练中的泛化差距
• FreezeOut：通过逐步冻结层来加速训练
• 二元随机神经元
• 紧凑双线性池
• PyTorch 中的混合精度训练

DNN 在化学和物理中的应用

• 波动物理学作为模拟循环神经网络
• 量子化学的神经消息传递
• 使用数据驱动的分子连续表示进行自动化学设计
• 物理过程的深度学习：整合先前的科学知识
• 用于学习和控制的可微分分子模拟

通用神经网络架构的新思考

• 补充目标训练
• 使用合成梯度解耦神经接口

线性代数

• 来自特征值的特征向量

API抽象

• Torch 层、PyTorch 的形状推断、SOTA 层
• Hummingbird，使用 PyTorch 在 GPU 上运行经过训练的 scikit-learn 模型

低级实用程序

• TorchSharp，.NET API，可访问支持 PyTorch 的底层库

PyTorch 实用程序

• Functorch：PyTorch 的类似 JAX 的可组合函数转换器的原型
• Poutyne：训练神经网络的简化框架
• PyTorch 度量学习
• Kornia：PyTorch 的开源可微计算机视觉库
• BackPACK 可轻松提取方差、高斯牛顿对角线和 KFAC
• PyHessian 用于计算 Hessian 特征值、矩阵迹和 ESD
• PyTorch 中的 Hessian
• 可微凸层
• 专辑：快速图像增强库
• 更高，在跨越训练循环的损失上获得更高阶的梯度
• 神经管道、PyTorch 训练管道
• 用于检查模型时间消耗的逐层 PyTorch 模型分析器
• 稀疏分布
• Diffdist，增加了对可微分通信的支持，允许分布式模型并行
• HessianFlow，基于 Hessian 的算法库
• Texar，用于文本生成的 PyTorch 工具包
• PyTorch FLOP 计数器
• Windows 中 C++ 上的 PyTorch 推理
• EuclidesDB，多模型机器学习特征数据库
• Pytorch 的数据增强和采样
• PyText，FAIR官方维护的基于深度学习的NLP建模框架
• 用于 PyTorch 模型统计的 Torchstat
• 将音频文件直接加载到 PyTorch 张量中
• 权重初始化
• 在 PyTorch 中实现的空间变换器
• PyTorch AWS AMI，在 5 分钟内运行具有 GPU 支持的 PyTorch
• 将张量板与 PyTorch 结合使用
• PyTorch 中的 Simple Fit 模块，类似于 Keras
• torchbearer：PyTorch 的模型拟合库
• PyTorch 到 Keras 模型转换器
• 带代码生成功能的 Gluon 到 PyTorch 模型转换器
• Catalyst：用于 PyTorch 深度学习和强化学习研究的高级实用程序
• PyTorch Lightning：可扩展且轻量级的深度学习研究框架
• 确定：具有 PyTorch 支持的可扩展深度学习平台
• PyTorch-Ignite：高级库，帮助在 PyTorch 中灵活、透明地训练和评估神经网络
• torchvision：由流行的数据集、模型架构和计算机视觉的常见图像转换组成的包。
• Poutyne：PyTorch 的类似 Keras 的框架，可处理训练神经网络所需的大部分样板代码。
• torchensemble：Scikit-Learn 类似于 PyTorch 中的集成方法
• TorchFix - 使用 PyTorch 的代码的 linter，具有自动修复支持

PyTorch 视频教程

• PyTorch 零到全部讲座
• PyTorch 深度学习完整课程
• PyTorch Lightning 101 与 Alfredo Canziani 和 William Falcon
• 使用 PyTorch 进行实用深度学习

社区

• PyTorch 论坛
• StackOverflow PyTorch标签
• Catalyst.Slack

待分类

• 微扰神经网络
• 准确的神经网络势
• 扩展散射变换：深度混合网络
• CortexNet：用于鲁棒视觉时间表示的通用网络系列
• 定向响应网络
• 关联压缩网络
• 单簧管
• 连续小波变换
• 混合：超越经验风险最小化
• 网络中的网络
• 公路网络
• 使用具有动态外部存储器的神经网络的混合计算
• 价值迭代网络
• 可微神经计算机
• 素描的神经表示
• 通过反转理解深度图像表示
• NIMA：神经图像评估
• NASNet-A-移动。端口配重
• 使用Processing的图形代码生成模型

到此存储库的链接

• Github 存储库
• 网站

贡献

请随意贡献！

您可以提出问题或提交拉取请求，以您更方便的方式进行。指南很简单：只需遵循上一个要点的格式，或者如果是新类别，则创建一个新部分。