neural-networks

Trí tuệ nhân tạo, Học máy và Học sâu tuyệt vời qua quá trình chúng tôi học tập. Ghi chú học tập và danh sách tổng hợp các tài nguyên tuyệt vời về các chủ đề này.

Gói tăng tốc cho mạng neural trên CPU đa nhân

Mạng thần kinh được hỗ trợ bởi Nx

:red_circle: MiniSom là một triển khai tối giản của Self Organizing Maps

Macaw-LLM: Mô hình hóa ngôn ngữ đa phương thức tích hợp hình ảnh, video, âm thanh và văn bản

Các bản cài đặt chất lượng cao của các phương pháp tiêu chuẩn và SOTA cho nhiều tác vụ khác nhau.

Một mô phỏng Unity 2D trong đó ô tô học cách tự điều hướng qua các đường đua khác nhau. Ô tô được điều khiển bởi một mạng thần kinh chuyển tiếp (feedforward neural network). Trọng số của mạng được huấn luyện bằng thuật toán di truyền được sửa đổi.

Brevitas: lượng tử hóa mạng nơ-ron trong PyTorch

Mô hình học sâu tiên tiến để phân tích cảm xúc, tâm trạng, sự mỉa mai, v.v.

Danh sách các bài báo nghiên cứu học máy qua góc nhìn của lý thuyết phạm trù

Danh sách chọn lọc các tài nguyên Trí tuệ Nhân tạo tốt nhất

Tính toán và thống kê trên các đa tạp có cấu trúc hình học.

Framework học sâu của Đại học Koç.

Mã nguồn cho hàm mất mát Lovász-Softmax (CVPR 2018)

Một thư viện tensor nhanh chóng, tiện dụng và di động bằng Nim tập trung vào học sâu cho CPU, GPU và các thiết bị nhúng thông qua các backend OpenMP, Cuda và OpenCL

Lộ trình và tài nguyên lập trình cấp thấp

Phần mềm Arm NN ML.

Kho lưu trữ chính thức cho "Mish: A Self Regularized Non-Monotonic Neural Activation Function" [BMVC 2020]

Một thư viện JavaScript tương tự PyTorch, hỗ trợ tăng tốc GPU.

Bộ giải phương trình vi phân (một phần) bằng Mạng thần kinh thông báo vật lý (PINN) cho mô phỏng tăng tốc học máy khoa học (SciML)

pyclustering là một thư viện khai thác dữ liệu bằng Python và C++.

PDEBench: Một bộ chuẩn đánh giá toàn diện cho học máy khoa học

Tài liệu nhập môn học máy được xây dựng từ các nguyên lý cơ bản. Dành cho các kỹ sư muốn suy luận về các hệ thống ML giống như cách họ suy luận về hệ thống phần mềm.

Một dự án xử lý mạng nơ-ron và kết xuất để thu được thông tin chi tiết về kiến trúc và tham số của mô hình thông qua biểu diễn gọn gàng.

Thư viện Mạng nơ-ron cấp cao hơn cho vi điều khiển.

Danh sách các tài nguyên NLP được tuyển chọn tập trung vào mạng Transformer, cơ chế chú ý, GPT, BERT, ChatGPT, LLM và học chuyển giao.

Thư viện tính toán tiến hóa tiên tiến được xây dựng trực tiếp trên PyTorch, tạo bởi NNAISENSE.

TensorFlow 101: Giới thiệu về Học sâu

Gói nnsight cho phép diễn giải và thao tác với các thành phần bên trong của các mô hình học sâu.

Một bộ sưu tập tài nguyên và nghiên cứu được tuyển chọn liên quan đến hình học của các biểu diễn trong não, mạng nơ-ron sâu và hơn thế nữa