deep-learning

Implémentation des Rotary Embeddings, issus de l'article Roformer, en Pytorch.

Apprentissage profond descriptif

Adan : Algorithme de momentum de Nesterov adaptatif pour une optimisation plus rapide des modèles profonds.

Liste des fournisseurs de cloud pour le Deep Learning.

Code pour notre article ICCV 2021 "DeepCAD: A Deep Generative Network for Computer-Aided Design Models"

Apprentissage profond avec des réseaux de neurones impulsionnels (SNN) dans PyTorch.

[CVPR 2022] "MonoScene: Monocular 3D Semantic Scene Completion" : Prédiction d'occupation sémantique 3D à partir d'une seule image

Une interface en ligne de commande (CLI) pour Kubeflow.

[ICLR 2024] Contrôle de modèles vision-langage pour la restauration d'images universelle. 5e place au challenge NTIRE 2024 Restore Any Image Model in the Wild.

Articles sur l'explicabilité des GNN

Bibliothèque de vision par ordinateur haute performance en Python. Faites évoluer vos recherches, pas votre code répétitif.

depyf est un outil pour vous aider à comprendre et à vous adapter au compilateur torch.compile de PyTorch.

Une bibliothèque C++ header-only pour l'optimisation numérique

Implémentation from scratch d'un modèle de langage de type sparse mixture of experts, inspiré par makemore d'Andrej Karpathy.

Implémentation du modèle d'attention creuse proposé par l'équipe Deepseek dans leur article "Native Sparse Attention".

Entraînement et réglage fin à la vitesse de la lumière

Cours de deep learning NMA

Langage de templating conçu pour les workflows Stable Diffusion. Disponible en tant qu'extension pour l'interface WebUI Automatic1111.

[TMLR 2025🔥] Étude sur les modèles autorégressifs en vision.

Une base de référence puissante pour la classification d'images, la reconnaissance faciale et la recherche d'images avec Pytorch

L'ingénierie des caractéristiques est le processus consistant à utiliser les connaissances du domaine pour extraire des caractéristiques à partir de données brutes via des techniques de data mining. Ces caractéristiques peuvent être utilisées pour améliorer les performances des algorithmes d'apprentissage automatique. L'ingénierie des caractéristiques peut être considérée comme de l'apprentissage automatique appliqué.

PhoBERT : modèles de langage pré-entraînés pour le vietnamien (EMNLP-2020 Findings)

Une liste organisée de ressources sur l'apprentissage actif (Active Learning)

Ressources sur la prévision de séries temporelles et l'apprentissage profond.

Implémentation PyTorch de l'article "Class-Balanced Loss Based on Effective Number of Samples".

DeepInverse : une bibliothèque PyTorch pour résoudre les problèmes inverses d'imagerie par apprentissage profond

Entraîner des modèles par apprentissage contrastif avec PyTorch.

Un ouvrage complet sur les réseaux de neurones et les grands modèles de langage en TAL.

Bibliothèque Python de capture d'écran haute performance pour Windows utilisant l'API Desktop Duplication - Mise à jour 2026

Un solveur QP rapide et différentiable pour PyTorch.