deep-learning

Implementierung von Rotary Embeddings aus dem Roformer-Paper in PyTorch

Deskriptives Deep Learning

Adan: Adaptiver Nesterov-Momentum-Algorithmus für eine schnellere Optimierung von Deep-Modellen

Liste von Deep-Learning-Cloud-Anbietern

Code für unser ICCV-2021-Papier „DeepCAD: A Deep Generative Network for Computer-Aided Design Models“

Ein CLI für Kubeflow.

Deep Learning mit Spiking Neural Networks (SNNs) in PyTorch.

[CVPR 2022] „MonoScene: Monocular 3D Semantic Scene Completion“: 3D-semantische Belegungsvorhersage aus einem einzelnen Bild

Forschungsarbeiten zur Erklärbarkeit von GNNs

[ICLR 2024] Steuerung von Vision-Language-Modellen zur universellen Bildrestaurierung. 5. Platz in der NTIRE 2024 Restore Any Image Model in the Wild Challenge.

Hochleistungs-Vision-Bibliothek in Python. Skalieren Sie Ihre Forschung, nicht Boilerplate.

depyf ist ein Tool, mit dem Sie den PyTorch-Compiler torch.compile verstehen und anpassen können.

Eine Header-only C++-Bibliothek für numerische Optimierung --

Implementierung eines Sparse Mixture of Experts-Sprachmodells von Grund auf, inspiriert von Andrej Karpathys makemore :)

Implementierung des Sparse-Attention-Musters, das vom Deepseek-Team in ihrem Paper „Native Sparse Attention“ vorgestellt wurde

Training und Fine-Tuning mit Lichtgeschwindigkeit

NMA-Kurs für Deep Learning

Eine für Stable-Diffusion-Workflows entwickelte Templating-Sprache. Als Erweiterung für die Automatic1111 WebUI verfügbar.

[TMLR 2025🔥] Eine Übersicht über autoregressive Modelle in der Vision.

Eine leistungsstarke Baseline für Bildklassifizierung, Gesichtserkennung und Bildabruf mit PyTorch

Feature Engineering ist der Prozess, bei dem Domänenwissen genutzt wird, um Merkmale aus Rohdaten mittels Data-Mining-Techniken zu extrahieren. Diese Merkmale können zur Verbesserung der Leistung von Machine-Learning-Algorithmen verwendet werden. Feature Engineering kann als angewandtes Machine Learning an sich betrachtet werden.

PhoBERT: Vortrainierte Sprachmodelle für Vietnamesisch (EMNLP-2020 Findings)

Eine kuratierte Liste großartiger Active Learning-Ressourcen

Ressourcen zu Zeitreihenprognosen und Deep Learning.

PyTorch-Implementierung des Papers „Class-Balanced Loss Based on Effective Number of Samples“

Modelle kontrastiv trainieren in PyTorch

DeepInverse: Eine PyTorch-Bibliothek zum Lösen inverser Bildverarbeitungsprobleme mittels Deep Learning

Ein umfassendes Buch über neuronale Netze und große Sprachmodelle in der NLP

Eine performante Python-Bibliothek zur Bildschirmaufnahme für Windows unter Verwendung der Desktop Duplication API – Aktualisiert 2026

Ein schneller und differenzierbarer QP-Solver für PyTorch.