the incredible pytorch

---

這是一個精選的教程、項目、庫、視頻、論文、書籍以及與令人難以置信的 PyTorch 相關的任何內容的清單。請隨意提出拉取請求以對此清單做出貢獻。

目錄

• 目錄
  • 教學
  • 大型語言模型 (LLM)
  • 表格數據
  • 視覺化
  • 可解釋性
  • 物體偵測
  • 長尾/分佈外識別
  • 激活函數
  • 基於能量的學習
  • 缺失資料
  • 架構搜尋
  • 持續學習
  • 最佳化
  • 量化
  • 量子機器學習
  • 神經網路壓縮
  • 面部、動作和姿勢識別
  • 超解析度
  • 綜合視圖
  • 嗓音
  • 醫療的
  • 3D 分割、分類與迴歸
  • 影片識別
  • 循環神經網路 (RNN)
  • 卷積神經網路 (CNN)
  • 分割
  • 幾何深度學習：圖形與不規則結構
  • 排序
  • 常微分方程網絡
  • 多工學習
  • GAN、VAE 和 AE
  • 無監督學習
  • 對抗性攻擊
  • 風格轉移
  • 圖片字幕
  • 變形金剛
  • 相似網路和函數
  • 推理
  • 通用自然語言處理
  • 問答
  • 語音生成和識別
  • 文件和文字分類
  • 文字生成
  • 文字轉圖像
  • 翻譯
  • 情緒分析
  • 深度強化學習
  • 深度貝葉斯學習和機率編程
  • 尖峰神經網路
  • 異常檢測
  • 迴歸類型
  • 時間序列
  • 綜合數據集
  • 神經網路的整體改進
  • DNN 在化學和物理上的應用
  • 通用神經網路架構的新思考
  • 線性代數
  • API抽象
  • 低級實用程式
  • PyTorch 實用程式
  • PyTorch 影片教學
  • 社群
  • 待分類
  • 到此存儲庫的鏈接
  • 貢獻

教學

• 官方 PyTorch 教程
• 官方 PyTorch 範例
• 使用 PyTorch 深入研究深度學習
• PyTorch 深度學習迷你課程（多語言）
• 使用 PyTorch 進行實用深度學習
• 深度學習模型
• PyTorch 教程的 C++ 實現
• 介紹 PyTorch 的簡單範例
• PyTorch 迷你教學
• NLP 深度學習
• 研究者深度學習教程
• 使用 PyTorch 實現的全卷積網絡
• 簡單的 PyTorch 教學從零到全部
• DeepNLP-模型-Pytorch
• MILA PyTorch 歡迎教學
• 有效的 PyTorch，使用 TorchScript 優化運行時間和數值穩定性優化
• 實用 PyTorch
• PyTorch 專案模板
• 使用 PyTorch 進行語意搜尋

大型語言模型 (LLM)

• 法學碩士教程
  • 建構大型語言模型（從頭開始）
  • Hugginface LLM 訓練手冊，幫助成功訓練大型語言模型的方法集
• 一般的
  • Starcoder 2，程式碼產生模型系列
  • GPT 快速、快速且可破解的 pytorch 原生變壓器推理
  • Mixtral Offloading，在 Colab 或消費者桌面中執行 Mixtral-8x7B 模型
  • 駱駝
  • 駱駝食譜
  • 小羊駝
  • 馬賽克預訓練變壓器 (MPT)
  • VLLM，適用於法學碩士的高吞吐量和記憶體高效推理和服務引擎
  • 多莉
  • 駱駝毛
  • 米斯特拉爾7B
  • BigDL LLM，用於使用 INT4 在 Intel XPU（從筆記型電腦到 GPU 再到雲端）上運行 LLM（大型語言模型）的庫，延遲非常低1（適用於任何 PyTorch 模型）
  • 簡單的LLM微調器
  • Petals，在家運行法學碩士，BitTorrent 風格，微調和推理速度比卸載快 10 倍
• 日本人
  • 日本駱駝
  • 日本 GPT Neox 和 Open Calm
• 中國人
  • 中國羊駝-2 7B
  • 中國駱駝毛
• 檢索增強生成 (RAG)
  • LlamaIndex，LLM 申請的資料框架
• 嵌入
  • ChromaDB，開源嵌入資料庫
• 應用領域
  • Langchain，透過可組合性與法學碩士建立應用程序
• 微調
  • Huggingface PEFT，最先進的參數高效微調
• 訓練
  • Higgsfield、容錯、高度可擴展的 GPU 編排以及專為訓練具有數十億到數萬億參數的模型而設計的機器學習框架
• 量化
  • AutoGPTQ，易於使用的 LLM 量化包，具有用戶友好的 API，基於 GPTQ 演算法

表格數據

• PyTorch 框架：多模態表格學習的模組化框架
• Pytorch Tabular，用於為表格資料建模深度學習模型的標準框架
• 標籤變壓器
• PyTorch-TabNet：專注的可解釋表格學習
• carefree-learn：基於 PyTorch 的表格資料集的最小自動機器學習 (AutoML) 解決方案

視覺化

• 損失可視化
• Grad-CAM：透過基於梯度的本地化從深度網路進行視覺解釋
• 深入了解卷積網路：可視化影像分類模型和顯著性圖
• SmoothGrad：透過添加噪音來消除噪音
• DeepDream：夢幻般的致幻視覺效果
• FlashTorch：PyTorch 中神經網路的視覺化工具包
• Lucent：適用於 PyTorch 的 Lucid
• DreamCreator：使用自訂資料集為 DeepDream 訓練 GoogleNet 模型變得簡單
• CNN 特徵圖視覺化

可解釋性

• 神經支持的決策樹
• 從時態資料進行有效的協方差估計
• 神經網路預測的分層解釋
• Shap，解釋任何機器學習模型輸出的統一方法
• 使用 netron 視覺化 PyTorch 保存的 .pth 深度學習模型
• 將神經網路提煉為軟決策樹
• Captum，PyTorch 的統一模型可解釋性函式庫

物體偵測

• MMDetection 物件偵測工具箱
• Mask R-CNN 基準：PyTorch 1.0 中的 Faster R-CNN 和 Mask R-CNN
• YOLO世界
• 約洛斯
• 尤洛夫
• 優樂克斯
• YOLOv10
• YOLOv9
• YOLOv8
• 約洛夫7
• YOLOv6
• 約洛夫5
• 約洛夫4
• YOLOv3
• YOLOv2：即時目標偵測
• SSD：單次多盒子偵測器
• 用於物體檢測的 Detectron 模型
• 使用深度卷積神經網路從街景影像中辨識多位數字
• 鯨魚探測器
• 催化劑檢測

長尾/分佈外識別

• 用於群轉移的分佈魯棒神經網路：論正規化對於最壞情況泛化的重要性
• 不變風險最小化
• 訓練置信度校準分類器以偵測分佈外樣本
• 具有異常值暴露的深度異常檢測
• 開放世界中的大規模長尾識別
• 神經網路中分佈不均範例的原則性檢測
• 神經網路中分佈外檢測的學習置信度
• PyTorch 不平衡類別採樣器

激活函數

• 有理激活 - 可學習的有理激活函數

基於能量的學習

• EBGAN，基於能量的 GAN
• 基於能量的模型的最大熵產生器

缺失資料

• BRITS：時間序列的雙向循環插補

架構搜尋

• 高效率網路V2
• 密集NAS
• DARTS：可微架構搜尋
• 高效神經架構搜尋（ENAS）
• EfficientNet：重新思考卷積神經網路的模型擴展

持續學習

• Renate，神經網路的自動再訓練

最佳化

• AccSGD、AdaBound、AdaMod、DiffGrad、Lamb、NovoGrad、RAdam、SGDW、Yogi 等
• 前瞻優化器：向前 k 步，後退 1 步
• RAdam，關於自適應學習率的變異數及其他
• Over9000，RAdam、Lookahead、Novograd 及其組合的比較
• AdaBound，訓練像 Adam 一樣快，像 SGD 一樣好
• 黎曼自適應最佳化方法
• L-BFGS
• OptNet：可微優化作為神經網路中的一層
• 學習透過梯度下降來學習
• 尖峰神經網路中的替代梯度學習
• TorchOpt：用於可微分優化的高效能函式庫

量化

• 加性二次冪量化：神經網路的高效非均勻離散化

量子機器學習

• Tor10，PyTorch 中用於量子模擬的通用張量網路庫
• PennyLane，具有 PyTorch 介面的量子機器學習的跨平台 Python 庫

神經網路壓縮

• 用於深度學習的貝葉斯壓縮
• 英特爾人工智慧實驗室的 Neural Network Distiller：用於神經網路壓縮研究的 Python 套件
• 透過 L0 正規化學習稀疏神經網絡
• 透過加權稀疏投影和層輸入掩蔽對深度神經網路進行能量約束壓縮
• EigenDamage：克羅內克因子特徵基礎中的結構化修剪
• 修剪卷積神經網路以實現資源高效推理
• 修剪神經網路：是時候將其消滅在萌芽狀態了嗎？ （顯示減少的網路效果更好）

面部、動作和姿勢識別

• Facenet：預先訓練的 Pytorch 人臉偵測與辨識模型
• DGC-Net：密集幾何對應網絡
• PyTorch 上的高效能臉部辨識庫
• FaceBoxes，高精準度CPU即時人臉偵測器
• 我們距離解決 2D 和 3D 臉部對齊問題還有多遠？ （以及包含 230,000 個 3D 臉部標誌的資料集）
• 使用 3D 殘差網路學習時空特徵以進行動作識別
• PyTorch 即時多人姿勢估計
• SphereFace：用於人臉辨識的深度超球面嵌入
• GANimation：來自單一影像的解剖學臉部動畫
• Face++ 的 Shufflenet V2 比紙張效果更好
• 野外 3D 人體姿勢估計：弱監督方法
• 從影片中無監督學習深度和自我運動
• FlowNet 2.0：深度網路光流估計的演變
• FlowNet：使用卷積網路學習光流
• 使用空間金字塔網路的光流估計
• PyTorch 中的 OpenFace
• PyTorch 中的深度人臉辨識

超解析度

• 用於單一影像超解析度的增強型深度殘差網絡
• 使用高效的子像素卷積神經網路進行超分辨率
• 即時風格轉移和超解析度的感知損失

綜合視圖

• NeRF，神經弧度場，綜合複雜場景的小說視圖

嗓音

• Google AI VoiceFilter：透過揚聲器條件頻譜圖掩蔽進行有針對性的語音分離

醫療的

• Medical Zoo，PyTorch 中的 3D 多模態醫學影像分割庫
• 用於腦部 MRI 中 FLAIR 異常分割的 U-Net
• 透過 ULMFiT 進行基因組分類
• 深度神經網路提昇放射科醫師在乳癌篩檢的表現
• Delira，用於醫學成像原型設計的輕量級框架
• V-Net：用於體積醫學影像分割的全卷積神經網絡
• Medical Torch，PyTorch 的醫學影像框架
• TorchXRayVision - 胸部 X 射線資料集和模型的庫。包括預先訓練的模型。

3D 分割、分類與迴歸

• Kaolin，加速 3D 深度學習研究的函式庫
• PointNet：用於 3D 分類和分割的點集深度學習
• 使用 MONAI 和 Catalyst 進行 3D 分割

影片識別

• 隨著音樂起舞
• 魔鬼在邊緣：從嘈雜的註釋中學習語義邊界
• 深度視訊分析
• PredRNN：使用時空 LSTM 進行預測學習的循環神經網絡

循環神經網路 (RNN)

• SRU：訓練 RNN 的速度跟 CNN 一樣快
• 有序神經元：將樹結構整合到循環神經網路中
• 權重下降的平均隨機梯度下降 LSTM
• RNN 的訓練速度與 CNN 一樣快
• 準循環神經網路 (QRNN)
• ReSeg：基於循環神經網路的語意分割模型
• 序列資料的循環潛變數模型 (VRNN)
• 改進樹結構長短期記憶網絡的語意表示
• 用於聯合意圖檢測和槽填充的基於注意力的循環神經網路模型
• 細心的循環比較器
• 使用 PyTorch 收集序列到序列模型
  1. 普通序列到序列模型
  2. 基於注意力的序列到序列模型
  3. 使用最終編碼器和解碼器隱藏狀態之間的點積的更快的注意力機制

卷積神經網路 (CNN)

• LegoNet：具有樂高濾波器的高效卷積神經網絡
• MeshCNN，專為三角網格設計的捲積神經網絡
• 倍頻程卷積
• PyTorch 影像模型、ResNet/ResNeXT、DPN、MobileNet-V3/V2/V1、MNASNet、單路徑 NAS、FBNet
• 具有盒卷積的深度神經網絡
• 可逆殘差網絡
• 用於成本可調推理的隨機下採樣和改進的捲積網絡正則化
• 更快的 R-CNN 實現
  • Faster R-CNN 的另一種實現
• 更專注：透過注意力轉移提高卷積神經網路的效能
• PyTorch 中的 Wide ResNet 模型 -DiracNets：在沒有 Skip-Connections 的情況下訓練非常深的神經網絡
• 用於基於圖像的序列識別的端到端可訓練神經網路及其在場景文字辨識中的應用
• 高效密集網
• 透過自適應可分離卷積進行視訊幀插值
• 使用三元組和淺層卷積神經網路學習局部特徵描述符
• 密集連結的捲積網絡
• 用於大規模影像辨識的超深卷積網絡
• SqueezeNet：AlexNet 等級的精確度，參數減少 50 倍，模型大小 <0.5MB
• 用於影像辨識的深度殘差學習
• 在 PyTorch 中訓練 CIFAR-10 和 CIFAR-100 的寬 ResNet
• 可變形卷積網絡
• 卷積神經網絡
• PyTorch 中的可變形卷積網絡
• 擴張 ResNet 與擴張卷積的組合
• 力求簡單：全卷積網絡
• 卷積 LSTM 網絡
• 預訓練分類模型的大集合
• 使用 Kaggle 狗與貓資料集進行 PyTorch 影像分類
• Pytorch 上的 CIFAR-10 與 VGG、ResNet 和 DenseNet
• pytorch 中的基本預訓練模型和資料集（MNIST、SVHN、CIFAR10、CIFAR100、STL10、AlexNet、VGG16、VGG19、ResNet、Inception、SqueezeNet）
• NVIDIA/無監督視訊插值

分割

• FAIR 的 Detectron2
• 使用 PyTorch 對 VOC2012 資料集進行逐像素分割
• Pywick - Pytorch 的高級電池神經網路訓練庫
• 透過視訊傳播和標籤鬆弛改進語義分割
• Super-BPD：用於快速影像分割的超級邊界到像素方向
• 催化劑分段
• 具有預訓練主幹的分割模型

幾何深度學習：圖形與不規則結構

• PyTorch 幾何、深度學習擴展
• PyTorch Geometric Temporal：PyTorch Geometric 的時間擴充庫
• PyTorch Geometric Signed Directed：PyTorch Geometric 的簽名和定向擴展庫
• ChemicalX：基於 PyTorch 的藥物對評分深度學習庫
• 自註意力圖池化
• 位置感知圖神經網絡
• 帶符號圖卷積神經網絡
• 圖 U 網
• Cluster-GCN：一種訓練深度大圖卷積網路的高效演算法
• MixHop：透過稀疏鄰域混合的高階圖卷積架構
• 半監督圖分類：層次圖視角
• FAIR 的 PyTorch BigGraph 用於從大規模圖表資料產生嵌入
• 膠囊圖神經網絡
• Splitter：學習捕捉多個社交上下文的節點表示
• 高階圖卷積層
• 預測然後傳播：圖神經網路滿足個人化 PageRank
• 洛倫茲嵌入：學習雙曲空間中的連續層次結構
• 圖小波神經網路
• 小心你的腳步：透過圖注意力學習節點嵌入
• 有符號圖卷積網絡
• 使用結構注意力進行圖分類
• SimGNN：快速圖相似性計算的神經網路方法
• SINE：可擴展的不完整網路嵌入
• HypER：超網絡知識圖嵌入
• TuckER：用於知識圖補全的張量分解
• PyKEEN：用於學習和評估知識圖嵌入的 Python 庫
• 用於神經訊息傳遞的探路者發現網絡
• SSSNET：半監督簽章網路聚類
• MagNet：有向圖的神經網絡
• PyTorch Geopooling：PyTorch 中神經網路的地理空間池模組

排序

• 透過連續鬆弛的排序網路的隨機最佳化

常微分方程網絡

• 不規則採樣時間序列的潛在 ODE
• GRU-ODE-Bayes：零星觀察的時間序列的連續建模

多工學習

• 分層多工學習模型
• 基於任務的端到端模型學習
• torchMTL：pytorch 中用於多任務學習的輕量級模組

GAN、VAE 和 AE

• BigGAN：用於高保真自然影像合成的大規模 GAN 訓練
• PyTorch 中生成模型的高保真性能指標
• Mimicry，用於 GAN 研究再現性的 PyTorch 庫
• 乾淨可讀的 CycleGAN
• 星GAN
• 塊神經自回歸流
• 使用條件 GAN 進行高解析度影像合成和語義操作
• 用於生成對抗網路的基於樣式的生成器架構
• GANDisset，用於視覺化 GAN 中神經元的 PyTorch 工具
• 透過互資訊估計和最大化來學習深度表示
• 變分拉普拉斯自動編碼器
• VeGANS，用於輕鬆訓練 GAN 的庫
• 逐步發展 GAN 以提高品質、穩定性和變化
• 條件生成對抗網絡
• 瓦瑟斯坦 GAN
• 對抗性生成器編碼器網絡
• 使用條件對抗網路進行影像到影像的轉換
• 使用循環一致對抗網路的不成對影像到影像轉換
• 關於生成對抗網絡中批量和權重歸一化的影響
• Wasserstein GAN 的改進訓練
• 使用 PyTorch 產生模型的集合
  • 生成對抗網路（GAN）
    1. 普通 GAN
    2. 條件生成對抗網絡
    3. 資訊生成網絡
    4. 瓦瑟斯坦 GAN
    5. 正規化 GAN 模式
  • 變分自動編碼器 (VAE)
    1. 香草VAE
    2. 條件VAE
    3. 去噪VAE
    4. 對抗性自動編碼器
    5. 對抗性變分貝葉斯
• Wasserstein GAN 的改進訓練
• CycleGAN 和半監督 GAN
• 使用 Householder Flow 和凸組合線性逆自回歸流改進變分自編碼器
• PyTorch GAN 集合
• 生成對抗網絡，專注於動漫臉部繪製
• 簡單的生成對抗網絡
• 對抗性自動編碼器
• torchgan：Pytorch 中的生成對抗網路建模框架
• 評估深度生成模型的有損壓縮率
• 催化劑GAN
  1. 普通 GAN
  2. 條件生成對抗網絡
  3. 瓦瑟斯坦 GAN
  4. Wasserstein GAN 的改進訓練

無監督學習

• 透過不變和傳播實例特徵的無監督嵌入學習
• AND：錨定鄰裡發現

對抗性攻擊

• 深度神經網路很容易被愚弄：對無法辨識的影像進行高置信度預測
• 解釋並利用對抗性例子
• AdverTorch - 對抗穩健性研究的工具箱

風格轉移

• Pystache：神經風格遷移框架
• 透過神經指紋辨識對抗樣本
• 藝術風格的神經演算法
• 用於即時傳輸的多風格生成網絡
• DeOldify，為舊圖像著色
• 神經風格遷移
• 快速神經風格遷移
• 像鮑伯·羅斯一樣畫畫

圖片字幕

• CLIP（對比語言-影像預訓練）
• PyTorch 中的 Neuraltalk 2，圖片字幕模型
• 使用 PyTorch 從圖像生成標題
• DenseCap：用於密集字幕的全卷積定位網絡

變形金剛

• 關注就是你所需要的
• 空間變換網絡

相似網路和函數

• 條件相似網絡

推理

• 視覺推理的推論與執行程序

通用自然語言處理

• nanoGPT，用於訓練/微調中型 GPT 的最快儲存庫
• minGPT，GPT 的重新實現，變得更小、更乾淨、更可解釋、更具教育意義
• Espresso，模組神經自動語音辨識工具包
• 透過混合注意力進行標籤感知文件表示以實現極端多標籤文字分類
• XL網
• 透過閱讀進行對話：透過按需機器閱讀進行內容豐富的神經對話
• 跨語言語言模型預訓練
• Libre Office 透過 PyTorch NMT 進行翻譯
• 伯特
• VSE++：改進的視覺語意嵌入
• 結構化自註意力句子嵌入
• 神經序列標記模型
• 跳過思維向量
• 在 PyTorch 中訓練 Seq2Seq 模型的完整套件
• MUSE：多語言無監督和監督嵌入
• TorchMoji：DeepMoji 的 PyTorch 實作用於表達情緒的語言

問答

• Pytorch 中的視覺問答
• 閱讀維基百科回答開放域問題
• 交易還是不交易？談判對話的端到端學習
• 用於視覺問答的可解釋計數
• 使用 PyTorch 的開源聊天機器人

語音生成和識別

• PyTorch-Kaldi 語音辨識工具包
• WaveGlow：基於流的語音合成生成網絡
• 開放式神經機器翻譯
• 深度語音2：英語和國語的端對端語音識別
• WeNet：生產優先和生產就緒的端到端語音辨識工具包

文件和文字分類

• 用於文件分類的分層注意力網絡
• 用於文件分類的分層注意力網絡
• 基於 CNN 的文本分類

文字生成

• Pytorch 詩歌生成

文字轉圖像

• 穩定擴散
• 達爾-E 2
• 達爾-E

翻譯

• 開源 (MIT) 神經機器翻譯 (NMT) 系統

情緒分析

• SemEval 2014 上用於情緒分析（基於面向）的循環神經網絡
• Seq2Seq意圖解析
• 微調 BERT 以進行情感分析

深度強化學習

• 影像增強就是您所需要的：從像素規範化深度強化學習
• 隨機網路蒸餾探索
• EGG：遊戲語言的出現，快速實現離散通道通訊的多智能體博弈
• 時間差異VAE
• 180 行 PyTorch 中的高效能 Atari A3C Agent
• 學習何時在多智能體合作和競爭任務中進行大規模通信
• 多智能體強化學習的 Actor-Attention-Critic
• PyTorch C++ 中的 PPO
• 具有模擬人類回饋的強盜神經機器翻譯強化學習
• 深度強化學習的非同步方法
• 具有基於模型的加速的連續深度 Q 學習
• Atari 2600 深度強化學習的非同步方法
• 信任域策略優化
• 強化學習的神經組合最佳化
• 用於探索的嘈雜網絡
• 分散式近端策略優化
• ViZDoom 環境中使用 PyTorch 的強化學習模型
• 使用 Gym 和 Pytorch 的強化學習模型
• SLM-Lab：PyTorch 中的模組化深度強化學習框架
• 催化劑RL

深度貝葉斯學習和機率編程

• BatchBALD：深度貝葉斯主動學習的高效能、多樣化批量採集
• 貝葉斯深度學習的子空間推理
• 帶有變分推理包的貝葉斯深度學習
• PyTorch 中的機率編程和統計推斷
• PyTorch 中的貝葉斯 CNN 和變分推理

尖峰神經網路

• Norse，使用尖峰神經網路進行深度學習的函式庫

異常檢測

• 使用深度自動編碼器神經網路偵測會計異常

迴歸類型

• 分位數迴歸 DQN

時間序列

• 用於多元時間序列預測的雙自註意力網絡
• DILATE：隨形狀和時間變化的失真損失
• 用於時間序列聚類的變分循環自動編碼器
• 用於時空序列建模和關係發現的時空神經網絡
• Flow Forecast：基於 PyTorch 建構的深度學習時間序列預測框架

綜合數據集

• Meta-Sim：學習產生綜合資料集

神經網路的整體改進

• 用於 DNN 記憶體優化訓練的就地啟動 BatchNorm
• 訓練時間更長，泛化效果更好：縮小神經網路大批量訓練中的泛化差距
• FreezeOut：透過逐步凍結層來加速訓練
• 二元隨機神經元
• 緊湊雙線性池
• PyTorch 中的混合精準度訓練

DNN 在化學和物理上的應用

• 波動物理學作為模擬循環神經網絡
• 量子化學的神經訊息傳遞
• 使用數據驅動的分子連續表示進行自動化學設計
• 物理過程的深度學習：整合先前的科學知識
• 用於學習和控制的可微分分子模擬

通用神經網路架構的新思考

• 補充目標訓練
• 使用合成梯度解耦神經接口

線性代數

• 來自特徵值的特徵向量

API抽象

• Torch 層、PyTorch 的形狀推論、SOTA 層
• Hummingbird，使用 PyTorch 在 GPU 上執行經過訓練的 scikit-learn 模型

低級實用程式

• TorchSharp，.NET API，可存取支援 PyTorch 的底層函式庫

PyTorch 實用程式

• Functorch：PyTorch 的類似 JAX 的可組合函數轉換器的原型
• Poutyne：訓練神經網路的簡化框架
• PyTorch 度量學習
• Kornia：PyTorch 的開源可微電腦視覺庫
• BackPACK 可輕鬆提取方差、高斯牛頓對角線和 KFAC
• PyHessian 用於計算 Hessian 特徵值、矩陣跡和 ESD
• PyTorch 中的 Hessian
• 可微凸層
• 專輯：快速影像增強庫
• 更高，在跨越訓練循環的損失上獲得更高階的梯度
• 神經管道、PyTorch 訓練管道
• 用於檢查模型時間消耗的逐層 PyTorch 模型分析器
• 稀疏分佈
• Diffdist，增加了對可微分通訊的支持，允許分散式模型並行
• HessianFlow，基於 Hessian 的演算法庫
• Texar，用於文字生成的 PyTorch 工具包
• PyTorch FLOP 計數器
• Windows 中 C++ 上的 PyTorch 推理
• EuclidesDB，多模型機器學習特徵資料庫
• Pytorch 的資料增強和取樣
• PyText，FAIR官方維護​​的基於深度學習的NLP建模框架
• 用於 PyTorch 模型統計的 Torchstat
• 將音訊檔案直接載入到 PyTorch 張量中
• 權重初始化
• 在 PyTorch 中實現的空間變換器
• PyTorch AWS AMI，在 5 分鐘內執行具有 GPU 支援的 PyTorch
• 將張量板與 PyTorch 結合使用
• PyTorch 中的 Simple Fit 模組，類似 Keras
• torchbearer：PyTorch 的模型擬合庫
• PyTorch 到 Keras 模型轉換器
• 具有程式碼產生功能的 Gluon 到 PyTorch 模型轉換器
• Catalyst： PyTorch 深度學習和強化學習研究的高級實用程序
• PyTorch Lightning：可擴展且輕量級的深度學習研究框架
• 確定：具有 PyTorch 支援的可擴展深度學習平台
• PyTorch-Ignite：進階庫，幫助在 PyTorch 中靈活、透明地訓練和評估神經網絡
• torchvision：由流行的資料集、模型架構和電腦視覺的常見影像轉換組成的套件。
• Poutyne：PyTorch 的類似 Keras 的框架，可處理訓練神經網路所需的大部分樣板程式碼。
• torchensemble：Scikit-Learn 類似 PyTorch 中的整合方法
• TorchFix - 使用 PyTorch 的程式碼的 linter，具有自動修復支持

PyTorch 影片教學

• PyTorch 零到全部講座
• PyTorch 深度學習完整課程
• PyTorch Lightning 101 與 Alfredo Canziani 和 William Falcon
• 使用 PyTorch 進行實用深度學習

社群

• PyTorch 論壇
• StackOverflow PyTorch標籤
• Catalyst.Slack

待分類

• 微擾神經網路
• 準確的神經網路勢
• 擴展散射變換：深度混合網絡
• CortexNet：用於穩健視覺時間表示的通用網路系列
• 定向回應網絡
• 關聯壓縮網絡
• 單簧管
• 連續小波變換
• 混合：超越經驗風險最小化
• 網路中的網絡
• 公路網
• 使用具有動態外部記憶體的神經網路的混合計算
• 價值迭代網絡
• 可微神經計算機
• 素描的神經表示
• 透過反轉理解深度影像表示
• NIMA：神經影像評估
• NASNet-A-移動。連接埠配重
• 使用Processing的圖形程式碼產生模型

到此存儲庫的鏈接

• Github 儲存庫
• 網站

貢獻

請隨意貢獻！

您可以提出問題或提交拉取請求，以您更方便的方式進行。指南很簡單：只需遵循上一個要點的格式，或者如果是新類別，則建立新部分。