R
Створіть власну LLM з логічним мисленням на PyTorch з нуля
N
Простий пакет для прогнозування часових рядів
S
Python-пакет для сегментації геопросторових даних
V
Інструменти векторного та скалярного квантування у вашому коді
A
Добірка найкращої літератури для вивчення штучного інтелекту та машинного навчання
L
Реалізація локальної віконної уваги для мовних моделей
E
Інструментарій для резервуарних обчислень на PyTorch
H
Симулятор взаємодії людини та автомобіля
S
Реалізація механізму Slot Attention від GoogleAI
S
Ефективне розгортання та обслуговування ШІ моделей
G
Механізм уваги та трансформер на чистій мові Go
G
Професійне злиття зображень високої роздільності
S
Бібліотека для дослідження проміжних шарів моделей PyTorch
N
Поєднання швидкості мови Nim та гнучкості PyTorch
M
Високопродуктивна мультимодальна модель на базі Mamba
L
Відкрита реалізація моделі LaMDA з навчанням на відгуках
J
Науковий журнал про діагностику несправностей та прогнозування
P
Python-бібліотека для моделювання та аналізу покеру
R
Видобувайте інсайти з власних даних за допомогою RAG
R
Реалізація робототехнічного трансформера RT1 на PyTorch
O
Зв'язки OCaml для бібліотеки PyTorch
A
Реалізація авторегресійної дифузії на PyTorch
I
Бібліотека з відкритим кодом для оцінки якості зображень
W
Система візуального виявлення шахрайства
G
Ефективна альтернатива архітектурі Transformer на основі MLP
T
Зручний інтерфейс командного рядка для керування GPU
L
Практична реалізація Linformer для PyTorch
R
Реалізація архітектури Recurrent Memory Transformer у PyTorch
E
Велика добірка навчальних матеріалів про AI та ML
F
Проста автентифікація за обличчям на Flutter
P
Штучний інтелект для аналізу наукових та медичних статей
B
Практична реалізація методу самонавчання від Deepmind
S
Навчання штучного інтелекту на класичній грі Змійка
Q
Реалізація навчання з підкріпленням для офлайн-даних
P
Відкрита платформа для керування інфраструктурою та інженерією штучного інтелекту
F
Високопродуктивна бібліотека для розпізнавання облич на PaddlePaddle та PyTorch
D
Навчання у різноманітних середовищах за допомогою моделей світу
A
Ефективна реалізація аксіальної уваги для багатовимірних даних
M
Оптимізація пам'яті для механізмів уваги в PyTorch
S
Ефективний оптимізатор для прискорення навчання моделей на 50 відсотків
S
Реалізація нейромережі Segformer для сегментації зображень на Pytorch
F
Ефективна реалізація архітектури Transformer з лінійною складністю
D
Реалізація механізму деформованої уваги у моделях Vision Transformer на Pytorch
R
Робастна модель для сегментації обʼєктів на пошкоджених зображеннях
S
Python-пакет для сегментації LiDAR-даних за допомогою моделі SAM
B
Реалізація методу Bit Diffusion для дискретного шумозаглушення у PyTorch
S
Реалізація архітектури Soft MoE у PyTorch для ефективного навчання
D
Колекція проєктів та навчальних ресурсів з глибокого навчання
E
Класифікація аритмії на ЕКГ за допомогою згорткових мереж
P
Мультимодальна мовна модель для втілених систем