In Jupyter Notebook geschriebene Bibliotheken
ltt
Lernen und dann testen: Vorhersagealgorithmen kalibrieren, um eine Risikokontrolle zu erreichen.
- 41
- MIT
CoreML-samples
Beispielcode für Core ML mit ResNet50 von Apple und einem benutzerdefinierten Modell, das von coremltools generiert wurde.
- 41
- MIT
ControllableTalkNet
Dies ist eine modifizierte Version von NVIDIAs TalkNet. Es handelt sich um ein steuerbares Netzwerk, das sowohl für CPU- als auch GPU-Inferenzen verwendet werden kann.
- 41
- Creative Commons Zero v1.0 Universal
kivy-tensorflow-helloworld
Führen Sie Inferenz mit Tensorflow Lite auf iOS, Android, MacOS, Windows und Linux mit Python aus.
- 40
nitroml
NitroML ist ein modulares, portables und skalierbares Benchmarking-Framework in Modellqualität für Pipelines für maschinelles Lernen und automatisiertes maschinelles Lernen (AutoML).
- 40
- Apache License 2.0
Transformer-Models-from-Scratch
Implementierung verschiedener Transformatormodelle für verschiedene Aufgaben.
- 40
Transformer-in-Transformer
Eine Implementierung von Transformer in Transformer in TensorFlow zur Bildklassifizierung, Aufmerksamkeit innerhalb lokaler Patches (von Rishit-dagli).
- 39
- Apache License 2.0
DataDrivenDynSyst
Skripte und Notizbücher zum Buch „Data-Driven Methods for Dynamic Systems“.
- 39
- MIT
doohickey
Doohickey ist ein stabiles Verbreitungstool für technische Künstler, die über die neuesten Entwicklungen auf diesem Gebiet auf dem Laufenden bleiben möchten.
- 39
infery-examples
Eine Sammlung von Demo-Apps und Inferenzskripten für verschiedene Deep-Learning-Frameworks mit Infery (Python).
- 39
- GNU General Public License v3.0
Data-Visualizations-Medium
Daten und Modelle des maschinellen Lernens mit Visualisierungen verstehen.
- 38
- MIT
Multi-Modal-Comparators
Einheitliche API zur Erleichterung der Verwendung vorab trainierter „Perzeptor“-Modelle, a la CLIP.
- 38
Deep-Learning-With-TensorFlow
Alle Ressourcen und praktischen Übungen für den Einstieg in Deep Learning in TensorFlow.
- 38
- Apache License 2.0
iterative-grabcut
Dieser Algorithmus verwendet ein vom Benutzer erstelltes Rechteck, um das Vordergrundelement zu identifizieren. Anschließend kann der Benutzer bearbeiten, um Objekte zum Vordergrund hinzuzufügen oder daraus zu entfernen. Anschließend wird der Hintergrund entfernt und transparent gemacht.
- 38
- MIT
Colab-Crypto-Mining
Kryptowährungs-Mining-Experimente auf Google CoLab-Notebooks.
- 38
- GNU General Public License v3.0 only
punchr
🥊 Komponenten zur Messung der Leistung von Direct Connection Upgrade through Relay (DCUtR).
- 38
- Apache License 2.0
xrays-and-gradcam
Klassifizierung und Gradienten-basierte Lokalisierung von Thorax-Röntgenaufnahmen mit PyTorch.
- 37
- MIT
data-analytics-project-template
Eine Python-Projektstartvorlage für Datenanalyse und Datenwissenschaft.
- 37
- Apache License 2.0
TensorFlow2.0_Notebooks
Implementierung einer Reihe neuronaler Netzwerkarchitekturen in TensorFow 2.0.
- 37
- MIT