convolutional-neural-networks

:computer: Lernen Sie, Maschinen das Lernen beizubringen, damit Sie sie nicht mühsam programmieren müssen; Die ultimative Liste

TensorFlow 101: Einführung in Deep Learning

[CVPR 2024 & TPAMI 2025] UniRepLKNet

Effizientes multiskalares 3D-Faltungsneuronennetzwerk zur Segmentierung medizinischer 3D-Scans

Alle Stanford-Spickzettel: Künstliche Intelligenz, Transformers, LLMs, Deep Learning, Machine Learning, Wahrscheinlichkeitsrechnung, Statistik, Algebra und Analysis.

Framework-unabhängige Implementierung modernster Saliency-Methoden (XRAI, BlurIG, SmoothGrad und mehr).

Ein Deep-Learning-Framework für molekulares Docking

Dieses Repository ist die Basis für einen von der Community getragenen Kurs über Computer Vision mit neuronalen Netzen. Tritt gerne unserem Hugging Face Discord bei: hf.co/join/discord

NMA-Kurs für Deep Learning

Ein Gebärdensprach-Dolmetscher, der den Live-Video-Feed der Kamera nutzt.

Colab Notebooks zu Deep-Learning-Werkzeugen für die Vorhersage und das Design biomolekularer Strukturen

Feinabstimmung vortrainierter Convolutional Neural Networks mit PyTorch

Schnelle Deep-Learning-Bibliothek (DLL) für C++ (ANNs, CNNs, RBMs, DBNs...)

[CVPR 2025 Oral] OverLoCK: Ein ConvNet mit „Overview-first-Look-Closely-next“-Ansatz und kontextmischenden dynamischen Kernels.

Hardnet-Deskriptormodell – „Wir arbeiten hart daran, die Ränder Ihres Nachbarn zu kennen: Lokales Deskriptor-Lern-Loss“

Dieses Projekt widmet sich der Implementierung und Erforschung von Kolmogorov-Arnold-Faltungsnetzwerken. Das Repository enthält Implementierungen von 1D-, 2D- und 3D-Faltungen mit verschiedenen Kernels, ResNet- und DenseNet-ähnliche Modelle, Trainingscode basierend auf accelerate/PyTorch sowie Skripte für Experimente mit CIFAR-10 und Tiny ImageNet.

Notizen zu Deep-Learning-Systemen, einschließlich mathematischer Grundlagen, detaillierter Erläuterungen neuronaler Netzwerkkomponenten, Trainingsstrategien und Algorithmen zur Modellkomprimierung.