convolutional-neural-networks

:computer: Aprende a hacer que las máquinas aprendan para que no tengas que esforzarte en programarlas; La lista definitiva

TensorFlow 101: Introducción al aprendizaje profundo

[CVPR 2024 y TPAMI 2025] UniRepLKNet

Red neuronal convolucional 3D multi-escala eficiente para la segmentación de exploraciones médicas 3D

Todas las hojas de referencia de Stanford: Inteligencia Artificial, Transformers, LLMs, Deep Learning, Machine Learning, Probabilidades, Estadística, Álgebra y Cálculo.

Implementación independiente del framework para métodos de saliency de última generación (XRAI, BlurIG, SmoothGrad y más)

Un framework de aprendizaje profundo para acoplamiento molecular

Este repositorio es la base de un curso impulsado por la comunidad sobre visión artificial con redes neuronales. Siéntase libre de unirse a nosotros en el Discord de Hugging Face: hf.co/join/discord

Curso de aprendizaje profundo de NMA.

Un intérprete de lenguaje de señas que utiliza una transmisión de video en vivo desde la cámara.

Notebooks de Colab que cubren herramientas de aprendizaje profundo para la predicción y el diseño de estructuras biomoleculares

Ajuste fino de redes neuronales convolucionales preentrenadas con PyTorch

Biblioteca de aprendizaje profundo (DLL) rápida para C++ (ANN, CNN, RBM, DBN, etc.).

[CVPR 2025 Oral] OverLoCK: Una red neuronal convolucional (ConvNet) con enfoque de visión general y análisis detallado mediante núcleos dinámicos de mezcla de contexto.

Modelo de descriptor Hardnet - "Working hard to know your neighbor's margins: Local descriptor learning loss"

Este proyecto se dedica a la implementación y la investigación de redes convolucionales Kolmogorov-Arnold. El repositorio incluye implementaciones de convoluciones 1D, 2D y 3D con diferentes kernels, modelos tipo ResNet y DenseNet, código de entrenamiento basado en accelerate/PyTorch, así como scripts para experimentos con CIFAR-10 y Tiny ImageNet.

Notas sobre sistemas de aprendizaje profundo, incluyendo fundamentos matemáticos, componentes de redes neuronales, estrategias de entrenamiento y algoritmos de compresión de modelos.