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
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
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
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
iterative-grabcut
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.
- 38
- MIT
Colab-Crypto-Mining
Eksperymenty z kopaniem kryptowalut w notatnikach Google CoLab.
- 38
- GNU General Public License v3.0 only
punchr
🥊 Komponenty do pomiaru wydajności aktualizacji połączenia bezpośredniego przez przekaźnik (DCUtR).
- 38
- Apache License 2.0
xrays-and-gradcam
Klasyfikacja i lokalizacja radiogramów klatki piersiowej oparta na gradiencie przy użyciu PyTorch..
- 37
- MIT
data-analytics-project-template
Szablon startowy projektu Pythona do analizy danych i nauki o danych.
- 37
- Apache License 2.0