کتابخانه های نوشته شده با جاوا اسکریپت

ltt

یاد بگیرید سپس تست کنید: کالیبره کردن الگوریتم های پیش بینی برای دستیابی به کنترل ریسک.

41
MIT

CoreML-samples

کد نمونه برای Core ML با استفاده از ResNet50 ارائه شده توسط اپل و یک مدل سفارشی تولید شده توسط coremltools..

41
MIT

notebooks

نوت بوک های Google Colab (توسط nagolinc).

41

ControllableTalkNet

این یک نسخه تغییر یافته از TalkNet NVIDIA است. این یک شبکه قابل کنترل است که می تواند برای استنتاج CPU و GPU استفاده شود.

41
Creative Commons Zero v1.0 Universal

guidance

یک زبان راهنمایی برای کنترل مدل های زبان بزرگ. (توسط ماکسیمیلیان وینتر).

40
MIT

kivy-tensorflow-helloworld

استنتاج را با Tensorflow Lite در iOS، Android، MacOS، Windows و Linux با استفاده از Python اجرا کنید.

40

amazon-rekognition-code-samples

نمونه کد شناسایی آمازون

40
MIT No Attribution

nitroml

NitroML یک چارچوب معیاری با کیفیت مدل مدولار، قابل حمل و مقیاس پذیر برای خطوط لوله یادگیری ماشین و یادگیری ماشین خودکار (AutoML) است.

40
Apache License 2.0

Artifact_Removal_GAN

یک GAN U-net برای حذف مصنوعات jpeg.

40
MIT

Transformer-Models-from-Scratch

پیاده سازی مدل های مختلف ترانسفورماتور برای کارهای مختلف.

40

Transformer-in-Transformer

پیاده سازی ترانسفورماتور در ترانسفورماتور در TensorFlow برای طبقه بندی تصویر، توجه در داخل تکه های محلی (توسط Rishit-dagli).

39
Apache License 2.0

DataDrivenDynSyst

اسکریپت ها و دفترچه هایی به همراه کتاب روش های داده محور برای سیستم های پویا.

39
MIT

cdQnA

مخزن اسناد و مطالعات مربوط به پرسش و پاسخ دامنه بسته با LLM.

39

doohickey

Doohickey یک ابزار انتشار پایدار برای هنرمندان فنی است که می خواهند با آخرین پیشرفت ها در این زمینه به روز بمانند.

39

infery-examples

مجموعه ای از برنامه های آزمایشی و اسکریپت های استنتاج برای چارچوب های یادگیری عمیق مختلف با استفاده از استنباط (پایتون).

39
GNU General Public License v3.0

Data-Visualizations-Medium

درک داده ها و مدل های یادگیری ماشین با تجسم.

38
MIT

Multi-Modal-Comparators

API یکپارچه برای تسهیل استفاده از مدل‌های از پیش آموزش‌دیده «ادراکی»، a la CLIP.

38

Deep-Learning-With-TensorFlow

همه منابع و تمرین های عملی برای شروع یادگیری عمیق در TensorFlow.

38
Apache License 2.0

این الگوریتم از یک مستطیل ساخته شده توسط کاربر برای شناسایی آیتم پیش زمینه استفاده می کند. سپس، کاربر می تواند برای افزودن یا حذف اشیاء به پیش زمینه ویرایش کند. سپس پس زمینه را حذف می کند و آن را شفاف می کند.