convolutional-neural-networks

Apprenez à faire apprendre les machines pour ne plus avoir à lutter pour les programmer ; la liste ultime

TensorFlow 101 : Introduction au Deep Learning

[CVPR 2024 & TPAMI 2025] UniRepLKNet

Réseau de neurones convolutifs 3D multi-échelle efficace pour la segmentation d'imagerie médicale 3D.

Toutes les fiches mémo de Stanford : Intelligence artificielle, Transformers, LLM, Deep Learning, Machine Learning, Probabilités, Statistiques, Algèbre et Calcul.

Implémentation agnostique au framework pour des méthodes de saillance de pointe (XRAI, BlurIG, SmoothGrad, et plus).

Framework de deep learning pour le docking moléculaire

Ce dépôt est la base d'un cours communautaire sur la vision par ordinateur avec les réseaux de neurones. N'hésitez pas à nous rejoindre sur le discord Hugging Face : hf.co/join/discord

Cours de deep learning NMA

Interprète en langue des signes utilisant le flux vidéo en direct de la caméra

Notebooks Colab couvrant les outils de deep learning pour la prédiction et la conception de structures biomoléculaires.

Réglage fin (fine-tuning) de réseaux de neurones convolutifs pré-entraînés avec PyTorch.

Bibliothèque rapide d'apprentissage profond (DLL) pour C++ (Réseaux de neurones artificiels, Convolutionnels, Machines de Boltzmann restreintes, Réseaux profonds...)

[CVPR 2025 Oral] OverLoCK : Un ConvNet « Overview-first-Look-Closely-next » doté de noyaux dynamiques à mélange de contexte.

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

Ce projet est dédié à l'implémentation et à la recherche sur les réseaux de neurones convolutifs de Kolmogorov-Arnold. Le dépôt inclut des implémentations de convolutions 1D, 2D et 3D avec différents noyaux, des modèles de type ResNet et DenseNet, du code d'entraînement basé sur accelerate/PyTorch, ainsi que des scripts pour des expériences avec CIFAR-10 et Tiny ImageNet.

Notes sur les systèmes de deep learning, incluant les bases mathématiques, les composants fondamentaux des réseaux de neurones, les stratégies d'entraînement et les algorithmes de compression de modèles