4 مستودعات
Awesome GitHub RepositoriesStochastic Depth Regularization
Regularization techniques that randomly drop network paths during training to prevent overfitting.
Distinct from Overfitting Reduction Techniques: Specifically implements stochastic depth as a path-dropping regularization, distinct from general data-driven overfitting reduction.
Explore 4 awesome GitHub repositories matching artificial intelligence & ml · Stochastic Depth Regularization. Refine with filters or upvote what's useful.
Awesome Stochastic Depth Regularization GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- facebookresearch/convnext
facebookresearch/ConvNeXt
6,388عرض على GitHubCode release for ConvNeXt model
Applies stochastic depth regularization by randomly dropping residual blocks during training.
Python - mosaicml/composer
mosaicml/composer
5,485عرض على GitHubComposer هو إطار عمل للتدريب الموزع في PyTorch مصمم لتوسيع نطاق النماذج الضخمة عبر مجموعات GPU متعددة العقد. يعمل كمدرب لنماذج اللغات الكبيرة، ومحسن نماذج موزع، ومدير لدورة حياة التدريب. يتميز المشروع كونه مكتبة لتنظيم التعلم العميق (regularization)، حيث يوفر تقنيات تحسين متخصصة مثل Sharpness Aware Minimization وMixUp وCutMix لتحسين تعميم النموذج. كما يميز تدفق التدريب الخاص به باستخدام تسخين طول التسلسل، وتجميد الطبقات التدريجي، وحفظ نقاط التحقق (checkpointing) المجزأة لاستعادة النماذج الضخمة. يغطي إطار العمل مساحة واسعة من القدرات بما في ذلك تنسيق التدريب الموزع، وإدارة الأجهزة ذات الدقة المختلطة، وبث البيانات السحابي. كما يوفر أدوات مراقبة وتشخيص واسعة النطاق لتشخيص ذاكرة GPU، واكتشاف تباعد التدريب، وتتبع الإنتاجية. يتضمن المشروع مشغلاً عبر سطر الأوامر لأتمتة تنفيذ مهام التدريب متعددة الـ GPU عبر العقد.
Provides stochastic depth regularization to randomly drop network paths during training and prevent overfitting in deep models.
Python - ai-dawang/plugnplay-modules
ai-dawang/PlugNPlay-Modules
4,968عرض على GitHubPlugNPlay-Modules is a collection of reusable PyTorch computer vision modules and deep learning architectural components. It provides a library of standardized building blocks for constructing neural networks, focusing on attention mechanisms, signal processing layers, and feature fusion modules. The project is distinguished by its extensive variety of attention primitives, covering spatial, channel, and temporal weighting, as well as specialized variants like deformable, frequency-enhanced, and linear-complexity attention. It also implements advanced signal processing tools within the neural
Implements stochastic depth to randomly drop sample paths during training to improve model generalization.
Python - lightly-ai/lightly
lightly-ai/lightly
3,684عرض على GitHubLightly is a self-supervised learning framework and computer vision data curation tool designed to manage large image datasets and train models on unlabeled data. It functions as a PyTorch vision library and dataset management SDK, providing tools to convert raw images into high-dimensional vectors for similarity search, visualization, and feature extraction. The project implements a variety of self-supervised architectures, including MoCo, SimCLR, VICReg, Barlow Twins, and masked image modeling. It distinguishes itself by combining these learning frameworks with active learning capabilities,
Injects dropout into transformer blocks via stochastic depth regularization to prevent overfitting during training.
Pythoncomputer-visioncontrastive-learningcontributions-welcome
