Zum Hauptinhalt springen
buildradar
Sign in
Thema · pre-trained-model

pre-trained-model

Erfasste Open-Source-Repos mit dem Tag pre-trained-model, sortiert nach Sternen.

Repos
10
Sterne gesamt
35.935
Sterne im Schnitt
3.594
Anteil
0,00%

Themen, die häufig gemeinsam mit pre-trained-model am selben Repo auftauchen.

Neue Aufsteiger

Repos, die in den letzten 90 Tagen erstellt und mit pre-trained-model getaggt wurden.

In den letzten 90 Tagen kam kein neues Repo mit diesem Thema dazu.

  • unilm@microsoft

    Groß angelegtes selbstüberwachtes Vortraining über Aufgaben, Sprachen und Modalitäten hinweg

    22.203+7Sterne-Änderung der letzten 7 Tage
  • OpenPrompt@thunlp

    Ein Open-Source-Framework für Prompt-Learning.

    4.889-1Sterne-Änderung der letzten 7 Tage
  • Chinese-ELECTRA@ymcui

    Vortrainiertes chinesisches ELECTRA-Modell

    1.434+0Sterne-Änderung der letzten 7 Tage
  • KnowLM@zjunlp

    Ein Open-Source-Framework für wissensbasierte Large Language Models.

    1.385-1Sterne-Änderung der letzten 7 Tage
  • SparK@keyu-tian

    [ICLR'23 Spotlight🔥] Das erste erfolgreiche BERT/MAE-artige Vortraining für beliebige neuronale Faltungsnetze; PyTorch-Impl. von „Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling“

    1.376+0Sterne-Änderung der letzten 7 Tage
  • Lesenswerte Arbeiten zur Wissensbearbeitung für Large Language Models.

    1.246-1Sterne-Änderung der letzten 7 Tage
  • Uni-Mol@deepmodeling

    Offizielles Repository für die Methoden der Uni-Mol-Serie.

    1.159+3Sterne-Änderung der letzten 7 Tage
  • FasterViT@NVlabs

    Offizielle PyTorch-Implementierung von FasterViT: Fast Vision Transformers with Hierarchical Attention (ICLR 2024)

    925+0Sterne-Änderung der letzten 7 Tage
  • ModelsGenesis@MrGiovanni

    [MICCAI 2019 Young Scientist Award] [MEDIA 2020 Best Paper Award] Models Genesis, eines der ersten "Fundament"-Modelle in der medizinischen Bildanalyse für verschiedene Downstream-Tasks

    791+1Sterne-Änderung der letzten 7 Tage
  • TFC-pretraining@mims-harvard

    Selbstüberwachtes kontrastives Lernen für Zeitreihen mittels Zeit-Frequenz-Konsistenz

    527+0Sterne-Änderung der letzten 7 Tage
← Zurück zu den Themen