lstm

Công cụ OCR mã nguồn mở Tesseract (kho lưu trữ chính)

AiLearning: Phân tích dữ liệu + Thực chiến học máy + Đại số tuyến tính + PyTorch + NLTK + TF2

OCR sẵn sàng sử dụng hỗ trợ hơn 80 ngôn ngữ và mọi bộ chữ viết phổ biến bao gồm Latin, Trung Quốc, Ả Rập, Devanagari, Cyrillic, v.v.

Mạng neural chuyển đổi bản thiết kế mẫu thành một trang web tĩnh.

RWKV (phát âm là RwaKuv) là một RNN có hiệu suất LLM tuyệt vời, cũng có thể được đào tạo trực tiếp giống như một transformer GPT (có thể song song hóa). Chúng ta đang ở phiên bản RWKV-7 "Goose". Do đó, nó kết hợp những điểm ưu việt nhất của RNN và transformer - hiệu suất tuyệt vời, thời gian tuyến tính, bộ nhớ không đổi (không có kv-cache), huấn luyện nhanh, ctx_len vô hạn và embedding câu miễn phí.

Học máy thân thiện cho web! 🤖

Hướng dẫn triển khai một số mô hình chuỗi sang chuỗi (seq2seq) bằng PyTorch và TorchText.

Hướng dẫn bắt đầu với PyTorch và TorchText để phân tích cảm sentiment.

Bot tự động làm thơ cổ Trung Quốc, cực đỉnh, dựa trên TensorFlow 1.10 API, đang tích cực bảo trì và nâng cấp, hãy thả sao và theo dõi cập nhật!

Tạo nhạc jazz điều khiển bằng học sâu sử dụng Keras & Theano!

Danh sách các bài báo, mã nguồn và thí nghiệm sử dụng học sâu để dự đoán chuỗi thời gian

Các hướng dẫn Jupyter Notebook về giải quyết vấn đề thực tế bằng Machine Learning và Deep Learning sử dụng PyTorch. Các chủ đề: Nhận diện khuôn mặt với Detectron 2, Phát hiện bất thường chuỗi thời gian với LSTM Autoencoders, Phát hiện đối tượng với YOLO v5, Xây dựng mạng neural đầu tiên, Dự báo chuỗi thời gian cho ca nhiễm Coronavirus hàng ngày, Phân tích cảm sentiment với BERT

Thư viện PyTorch học sâu dành cho dự báo chuỗi thời gian, phân loại và phát hiện bất thường (ban đầu dành cho dự báo lũ lụt).

Thư viện Học máy và Xử lý Ngôn ngữ Tự nhiên độc lập bằng Go

Danh sách tổng hợp các tài nguyên học sâu yêu thích của tôi, hữu ích để ôn tập hoặc tham khảo. Tôi đã xem qua tất cả nội dung được liệt kê ở đây một cách cẩn thận. - Guillaume Chevalier

Kho lưu trữ này chứa các triển khai của các kiến trúc khác nhau để nhận diện cảm xúc trong hội thoại.

:art: Bản nâng cao nhận diện công thức toán học: hỗ trợ công thức viết tay và in ấn tiếng Trung-Anh, hỗ trợ suy luận ký hiệu cơ bản (cấu trúc dữ liệu dựa trên cây cú pháp trừu tượng LaTeX). Math Formula OCR Pro, hỗ trợ viết tay, công thức trộn lẫn tiếng Trung và suy luận ký hiệu đơn giản (dựa trên LaTeX AST).

Một framework sử dụng LSTM để phát hiện bất thường trong dữ liệu chuỗi thời gian đa biến. Bao gồm dữ liệu bất thường của tàu vũ trụ và các thí nghiệm từ sứ mệnh Mars Science Laboratory và SMAP.

Thư viện Deep Learning dành cho tác vụ phân loại tín hiệu EEG (tín hiệu não), dựa trên TensorFlow.

Công cụ chuyển đổi tệp ONNX sang LiteRT/TFLite/TensorFlow, mã nguồn gốc PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) và Dynamo ONNX. Công cụ này cũng hỗ trợ chuyển đổi trực tiếp từ LiteRT sang PyTorch.

Danh sách thiết kế phân tử và vật liệu sử dụng Generative AI và Deep Learning

Ứng dụng web dự đoán thị trường chứng khoán dựa trên Machine Learning và phân tích cảm sentiment từ các tweet (đã bao gồm API key trong mã nguồn). Giao diện web được xây dựng bằng Flask và WordPress. Ứng dụng dự đoán giá cổ phiếu trong 7 ngày tới cho bất kỳ mã chứng khoán nào thuộc NASDAQ hoặc NSE do người dùng nhập vào. Các dự đoán được thực hiện bằng ba thuật toán: ARIMA, LSTM, Linear Regression.

Bộ sưu tập các phương pháp phát hiện bất thường (dựa trên iid/điểm, đồ thị và chuỗi thời gian), bao gồm học chủ động để phát hiện/khám phá bất thường, khai thác quy tắc Bayesian, mô tả cho sự đa dạng/giải thích/khả năng diễn giải. Phân tích việc kết hợp phản hồi nhãn với các bộ phát hiện dựa trên cây và ensemble. Bao gồm các cuộc tấn công đối nghịch với Graph Convolutional Network.

Phát hiện hoạt động theo thời gian thực dựa trên vị trí không gian bằng cách theo dõi các điểm chính trên cơ thể

Ví dụ về dự báo chuỗi thời gian đa biến bằng mạng thần kinh tái phát LSTM trong Python với Keras.

Dự đoán giá cổ phiếu sử dụng mạng thần kinh TensorFlow LSTM (long short-term memory) để dự báo chuỗi thời gian

Dự báo tải điện tại Delhi sử dụng các mô hình ARIMA, RNN, LSTM và GRU.

Một Benchmark phân loại văn bản trong PyTorch

Phân loại mô tả tội phạm San Francisco trên Kaggle thành 39 lớp. Xây dựng mô hình với CNN, RNN (GRU và LSTM) và Word Embeddings trên Tensorflow.