Biblioteki napisane w Jupyter Notebook

ltt

Dowiedz się, a następnie przetestuj: Kalibracja algorytmów predykcyjnych w celu osiągnięcia kontroli ryzyka.

41
MIT

CoreML-samples

Przykładowy kod dla Core ML przy użyciu ResNet50 dostarczonego przez Apple i niestandardowego modelu wygenerowanego przez coremltools.

41
MIT

notebooks

Notatniki Google Colab (przez nagolinc).

41

ControllableTalkNet

To jest zmodyfikowana wersja TalkNet firmy NVIDIA. Jest to kontrolowalna sieć, której można używać zarówno do wnioskowania o procesorze, jak i GPU.

41
Creative Commons Zero v1.0 Universal

guidance

Język wskazówek do kontrolowania dużych modeli językowych. (przez Maksymiliana-Wintera).

40
MIT

kivy-tensorflow-helloworld

Uruchamiaj wnioskowanie za pomocą Tensorflow Lite w systemach iOS, Android, MacOS, Windows i Linux przy użyciu języka Python.

40

amazon-rekognition-code-samples

Przykłady kodu rozpoznawania Amazon.

40
MIT No Attribution

nitroml

NitroML to modułowa, przenośna i skalowalna platforma do testów porównawczych jakości modeli dla potoków uczenia maszynowego i automatycznego uczenia maszynowego (AutoML).

40
Apache License 2.0

Artifact_Removal_GAN

U-net GAN do usuwania artefaktów jpeg.

40
MIT

Transformer-Models-from-Scratch

wdrażanie różnych modeli transformatorów do różnych zadań.

40

full_spectrum_bioinformatics

Tekst bioinformatyczny w otwartym dostępie.

39

Transformer-in-Transformer

Implementacja Transformer w Transformer w TensorFlow do klasyfikacji obrazów, uwaga w lokalnych łatach (autor: Rishit-dagli).

39
Apache License 2.0

DataDrivenDynSyst

Skrypty i notatniki towarzyszące książce Data-Driven Methods for Dynamic Systems.

39
MIT

cdQnA

repozytorium dokumentów i opracowań dotyczących pytań i odpowiedzi w domenie zamkniętej za pomocą LLM.

39

doohickey

Doohickey to stabilne narzędzie rozpowszechniania dla artystów technicznych, którzy chcą być na bieżąco z najnowszymi osiągnięciami w tej dziedzinie.

39

infery-examples

Zbiór aplikacji demonstracyjnych i skryptów wnioskowania dla różnych platform głębokiego uczenia się przy użyciu wnioskowania (Python).

39
GNU General Public License v3.0

Data-Visualizations-Medium

Zrozumienie modeli danych i uczenia maszynowego za pomocą wizualizacji.

38
MIT

Multi-Modal-Comparators

Ujednolicony interfejs API ułatwiający korzystanie z wstępnie wyszkolonych modeli „perceptorów”, a la CLIP.

38

Deep-Learning-With-TensorFlow

Wszystkie zasoby i praktyczne ćwiczenia, które pozwolą Ci rozpocząć korzystanie z głębokiego uczenia w TensorFlow.

38
Apache License 2.0

Algorytm ten wykorzystuje prostokąt wykonany przez użytkownika do identyfikacji elementu pierwszego planu. Następnie użytkownik może edytować, aby dodać lub usunąć obiekty na pierwszym planie. Następnie usuwa tło i czyni je przezroczystym.