deep-learning

Tutorial de aprendizaje profundo de Li Hongyi (recomendado por el profesor Li Hongyi 👍, libro de Apple 🍎), dirección de descarga del PDF: https://github.com/datawhalechina/leedl-tutorial/releases

Una lista completa de contenido relacionado con PyTorch en GitHub, como diferentes modelos, implementaciones, bibliotecas auxiliares, tutoriales, etc.

Computer Vision Annotation Tool (CVAT) es una plataforma líder para crear conjuntos de datos visuales de alta calidad para IA de visión. Ofrece productos de código abierto, en la nube y empresariales, así como servicios de etiquetado, para anotación de imágenes, video y 3D con etiquetado asistido por IA, control de calidad, colaboración en equipo, análisis y API para desarrolladores.

pix2tex: uso de un ViT para convertir imágenes de ecuaciones en código LaTeX

Una red neuronal que transforma una maqueta de diseño en un sitio web estático

Una lista seleccionada de cursos, libros, conferencias en video y artículos sobre Inteligencia Artificial (IA).

Anotación de imágenes con Python. Soporta polígonos, rectángulos, círculos, líneas, puntos y anotación asistida por IA.

MNN: Un motor de inferencia ultrarrápido y ligero, probado en batalla por Alibaba, que impulsa LLMs en el dispositivo y Edge AI de alto rendimiento.

stable diffusion webui colab

Burn es una biblioteca de tensores y un Framework de Deep Learning de próxima generación que no compromete la flexibilidad, la eficiencia ni la portabilidad.

ARIS ⚔️ (Auto-Research-In-Sleep) — Habilidades ligeras basadas únicamente en Markdown para la investigación autónoma de ML: bucles de revisión cruzada entre modelos, descubrimiento de ideas y automatización de experimentos. Sin frameworks ni dependencia de proveedores — funciona con Claude Code, Codex, OpenClaw o cualquier agente LLM.

Reconocimiento facial con redes neuronales profundas.

Convierte documentos en datos estructurados sin esfuerzo. Unstructured es una solución ETL de código abierto para transformar documentos complejos en formatos limpios y estructurados para modelos de lenguaje. Visita nuestro sitio web para obtener más información sobre nuestro producto de plataforma de nivel empresarial para flujos de trabajo de producción, particionamiento, enriquecimientos, fragmentación e incrustación.

Nano vLLM

Machine Learning, Deep Learning, PostgreSQL, Sistemas Distribuidos, Node.js, Golang

API de reconocimiento de voz sin conexión para Android, iOS, Raspberry Pi y servidores con Python, Java, C# y Node.

Este repositorio contiene el código fuente para el artículo First Order Motion Model for Image Animation.

Scripts de Deep Learning de última generación organizados por modelos: fáciles de entrenar y desplegar con precisión y rendimiento reproducibles en infraestructura de nivel empresarial.

Aumento de imágenes para experimentos de aprendizaje automático.

RWKV (pronunciado RwaKuv) es una RNN con un gran rendimiento en LLM, que también se puede entrenar directamente como un transformador GPT (paralelizable). Estamos en RWKV-7 "Goose". Combina lo mejor de RNN y transformer: gran rendimiento, tiempo lineal, espacio constante (sin caché kv), entrenamiento rápido, ctx_len infinito y embedding de oraciones gratuito.

Un kit de herramientas para crear aplicaciones de análisis de datos y machine learning en el mundo real en C++

Simulador de código abierto para la investigación de conducción autónoma.

Artículos, códigos, conjuntos de datos, aplicaciones y tutoriales sobre aprendizaje por transferencia, adaptación de dominios, generalización de dominios, aprendizaje multitarea, etc.

Paquete de Python creado para facilitar el aprendizaje profundo en grafos, sobre frameworks de DL existentes.

Libro de Deep Learning de MIT en formato PDF (completo y por partes) por Ian Goodfellow, Yoshua Bengio y Aaron Courville

Una implementación de código abierto de CLIP.

Código para loralib, una implementación de "LoRA: Low-Rank Adaptation of Large Language Models"

Framework de compilación de Machine Learning abierto.

1 línea de código para perfiles de calidad de datos y análisis exploratorio de datos para Pandas y Spark DataFrames.

Más de 20 LLMs de alto rendimiento con recetas para preentrenar, ajustar y desplegar a escala.