Awesome GitHub RepositoriesSequence-to-Sequence Models

هذا المشروع عبارة عن مورد تعليمي شامل ودورة تدريبية لبناء الشبكات العصبية باستخدام PyTorch. يغطي اللبنات الأساسية للتعلم العميق، بما في ذلك معالجة الموترات (tensors)، والتمايز التلقائي، وبناء مكونات الشبكة العصبية المعيارية. يعمل المستودع كدليل تقني للعديد من المجالات المتخصصة. يوفر تفاصيل تنفيذ لمهام رؤية الكمبيوتر مثل تصنيف الصور، واكتشاف الكائنات، والتجزئة الدلالية، بالإضافة إلى سير عمل معالجة اللغات الطبيعية التي تتضمن المحولات (transformers)، والشبكات المتكررة، والنماذج التوليدية. بالإضافة إلى ذلك، يتضمن مرجعاً للذكاء الاصطناعي التوليدي، مع التركيز بشكل خاص على تركيب الصور عبر نماذج الانتشار (diffusion models) والشبكات التنافسية. تمتد المادة إلى تحسين النماذج وخطوط أنابيب النشر. تغطي تقنيات لتقليل حجم النموذج وزيادة سرعة الاستنتاج من خلال التكميم (quantization) وتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. تشمل مجالات القدرة الأخرى هندسة البيانات للتحميل المتوازي، وتقييم النموذج باستخدام مقاييس مخصصة، ونشر نماذج اللغات الكبيرة مفتوحة المصدر. يتم تقديم المشروع بشكل أساسي كسلسلة من دفاتر Jupyter.

TCN هو إطار عمل ومكتبة للتعلم العميق للتسلسلات لبناء شبكات تلافيفية زمنية (Temporal Convolutional Networks). يوفر مجموعة أدوات لتنفيذ بنيات تلافيفية بحتة لنمذجة البيانات التسلسلية كبديل للشبكات العصبية المتكررة. يتضمن المشروع مجموعة قياس أداء لنمذجة التسلسلات مصممة لتقييم دقة وسرعة معالجة البنيات. تستخدم هذه المجموعة مهاماً موحدة، بما في ذلك مشاكل الذاكرة، وتصنيف الأرقام، والموسيقى، ومهام اللغة، لقياس الأداء. يغطي إطار العمل مجموعة من المكونات الهيكلية لمعالجة التسلسلات، مثل طبقات التلافيف السببية لمنع تسرب المعلومات والنوى الموسعة لزيادة مجال الاستقبال. كما يوفر كتل اتصال متبقية لاستقرار التدرج وخطوط أنابيب بيانات لتحويل بيانات السلاسل الزمنية الخام إلى موترات (Tensors).

هذا المشروع هو تطبيق TensorFlow لنموذج محول (transformer)، يوفر إطار عمل تعلم عميق من نص إلى نص مصمم للتعرف على أنماط التسلسل وتوليدها. يعمل كنموذج تسلسل قائم على الانتباه وإطار عمل للترجمة الآلية العصبية لتحويل النص من لغة إلى أخرى. ينفذ النظام بنية شبكة المحول، باستخدام الانتباه متعدد الرؤوس والترميز الموضعي لمعالجة البيانات التسلسلية. ويوفر الأدوات اللازمة لتدريب نموذج المحول واستنتاج الترجمة الآلية، مما يسمح بتنفيذ النماذج المدربة لترجمة النص وتقييم جودة الإخراج. يغطي المشروع خط أنابيب معالجة اللغة الطبيعية الكامل، بما في ذلك معالجة النص المسبقة لتوليد المفردات ونمذجة التسلسل إلى التسلسل. ويدمج مكونات هيكلية مثل بنى المشفر-فك المشفر، والتطبيع القائم على الطبقة، وتوزيعات الاحتمالات القائمة على softmax لاختيار الرموز.

هذا المشروع عبارة عن مجموعة من أمثلة تعلم الآلة TensorFlow التي توفر تطبيقات مرجعية لنماذج شبكة عصبية مختلفة. يغطي نماذج التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعزيزي، والمتسلسل. يتضمن المستودع تطبيقات للشبكات العصبية التلافيفية التي تركز على تصنيف الصور وترتيبها، بالإضافة إلى الشبكات العصبية المتكررة للتنبؤ بالسلاسل الزمنية والترجمة من تسلسل إلى تسلسل. كما يوفر أمثلة لوكلاء التعلم التعزيزي المدربين عبر تحسين المكافأة وتقنيات التعلم غير الخاضع للإشراف مثل أجهزة التشفير التلقائي والخرائط ذاتية التنظيم لتجميع البيانات. تغطي القدرات الإضافية الانحدار والتصنيف الخاضع للإشراف، وتوليد التضمين الدلالي، واستخدام نماذج ماركوف المخفية لنمذجة البيانات المتسلسلة. يتضمن المشروع أيضاً أدوات لإدارة عمليات الموتر وتصور أداء النموذج عبر لوحات المعلومات. يتم تقديم المحتوى كسلسلة من دفاتر Jupyter.

هذا المشروع عبارة عن قاعدة كود تعليمية ومكتبة مرجعية تترجم مفاهيم تعلم الآلة النظرية إلى كود PyTorch قابل للتنفيذ. يعمل كتطبيق عملي لكتاب مدرسي عن تعلم الآلة، ويوفر هيكلاً يشبه الدورة التدريبية من التمارين الموجهة والأمثلة المعمارية لأغراض التعلم. يتضمن المستودع مكتبة من معماريات الشبكات العصبية القياسية، بما في ذلك النماذج الخطية، والتلافيفية، والمتكررة، ونماذج المحولات (transformers). ينفذ بشكل خاص مجموعة متنوعة من أنماط تعلم الآلة مثل الإدراك متعدد الطبقات، وشبكات VGG، ووحدات التكرار المبوّبة (GRU)، وشبكات الذاكرة طويلة المدى (LSTM). تغطي قاعدة الكود مجالات قدرات واسعة بما في ذلك الرؤية الحاسوبية لتصنيف الصور واكتشاف الكائنات، بالإضافة إلى معالجة اللغات الطبيعية لنمذجة التسلسل والترجمة. كما ينفذ مكونات تعلم الآلة الأساسية مثل الانحدار الخطي وsoftmax، والتصنيف الاحتمالي، ومجموعة من خوارزميات التحسين القائمة على التدرج. يتم تقديم المشروع بشكل أساسي كمجموعة من دفاتر Jupyter.

This project is a collection of educational resources and reference implementations for neural network development using TensorFlow. It serves as a comprehensive learning course, machine learning curriculum, and practical implementation guide for building deep learning architectures. The codebase provides instructional materials and examples covering a wide range of model types, including convolutional neural networks for image classification, recurrent networks and long short-term memory cells for sequential data, and autoencoders for generative modeling. It also includes implementations for

SimpleTransformers هو إطار عمل عالي المستوى لتدريب وضبط نماذج المحولات لمهام معالجة اللغات الطبيعية المتنوعة. يعمل كمجموعة أدوات لتطوير تصنيف النصوص، والتعرف على الكيانات المسماة، ونماذج الإجابة على الأسئلة، بينما يعمل أيضاً كأداة تسلسل إلى تسلسل ومولد تضمين نصي. تتميز المكتبة بتوفير مدرب نماذج متعدد الوسائط قادر على معالجة وتصنيف البيانات التي تجمع بين مدخلات النص والصورة. كما تدعم سير عمل متخصص لتدريب الذكاء الاصطناعي التحادثي، وتوليد النماذج اللغوية، واسترجاع المستندات الكثيفة لأنظمة استرجاع المعلومات. يغطي إطار العمل نطاقاً واسعاً من القدرات، بما في ذلك إدارة سير عمل التدريب مع التوقف المبكر، وتحسين أداء النموذج من خلال التكميم، وإنشاء رموز مميزة مخصصة خاصة بالمجال. كما يدمج تتبع التجارب وتصور التنبؤ عبر لوحات معلومات القياس عن بعد الخارجية.

TensorFlowTTS هو إطار عمل للتركيب الصوتي العصبي يُستخدم لتحويل النص إلى موجات صوتية عالية الدقة. يوفر الإطار مجموعة أدوات لتدريب وضبط معماريات الشبكات العصبية التوليدية أو نماذج التسلسل إلى تسلسل لإنتاج كلام طبيعي. يتضمن النظام تطبيقات للمشفرات الصوتية العصبية (Neural Vocoders) التي تحول التمثيلات الصوتية الوسيطة إلى موجات صوتية نهائية، كما يتميز بالتحكم في سرعة التشغيل لضبط معدل مخرجات الكلام المُركّب. يغطي إطار العمل خط الإنتاج الكامل للتركيب الصوتي، بدءاً من معالجة البيانات الصوتية لإنشاء مخططات طيفية (Mel Spectrograms) مُطبعة، وصولاً إلى خط تدريب يدير عمليات تدريب النماذج المسرّعة بواسطة GPU. كما يستخدم إطارات تدريب مخصصة للتعامل مع دوال الخسارة ومنطق التحسين أثناء عملية التدريب.

هذا المشروع عبارة عن مستودع مناهج أكاديمية ومركز موارد تعليمية لدراسة الاحتمالات والإحصاء والتعلم الآلي. يعمل كموقع لدورة التعلم العميق ومركز للمواد التعليمية، ويوفر مجموعة مهيكلة من المحتوى المصمم لتدريس معماريات الشبكات العصبية. يتميز المستودع بدمج مورد تعليمي شامل مع أرشيف لمشاريع التعلم الآلي. يوفر مجموعة منسقة من أمثلة الأبحاث وأدلة التنفيذ لمجموعة واسعة من النماذج، بما في ذلك الشبكات العصبية متعددة الطبقات (MLP)، والشبكات التلافيفية (CNN)، ونماذج التسلسل المتكررة (RNN). يغطي المشروع مجموعة واسعة من القدرات، بما في ذلك أبحاث رؤية الكمبيوتر لاكتشاف الكائنات وتصنيف الصور، وتنفيذ نمذجة التسلسل إلى تسلسل، وتقنيات تحسين الشبكات العصبية. كما يوفر أدوات إدارية لإدارة الدورات الأكاديمية، مثل تتبع معالم المشروع وتوزيع المهام. يتم تقديم المواد التعليمية من خلال مزيج من دفاتر الملاحظات التفاعلية، وشرائح المحاضرات، وتسجيلات الفيديو.

evo2 is a genomic large language model and foundation model designed to predict, generate, and analyze genetic information across different species. It functions as a nucleotide sequence modeler and a DNA sequence generator, using transformer-based sequence modeling to process genomic data. The system provides capabilities for synthetic DNA generation, creating new genetic sequences based on biological prompts or species-specific tags. It also performs nucleotide likelihood prediction to score genomic variants and analyze biological properties within DNA sequences. The model supports genomic

This project is a structured TensorFlow deep learning curriculum and an interactive machine learning course delivered through Jupyter Notebooks. It serves as a technical guide and model zoo providing reference implementations for neural networks and machine learning algorithms. The curriculum focuses on practical implementations of computer vision, including object detection, semantic segmentation, and style transfer. It also provides tutorials for natural language processing, specifically covering word embeddings and encoder-decoder architectures for sequence modeling. The material covers t

توفر هذه المكتبة إطار عمل للتعلم العميق لتدريب الشبكات العصبية على أداء التعرف على الكلام وتصنيف الصوت. وهي تستخدم معماريات تسلسل إلى تسلسل (sequence-to-sequence) لتعيين مدخلات الصوت ذات الطول المتغير إلى مخرجات نصية أو رقمية، مما يتيح تطوير نماذج مخصصة لتحويل الكلام إلى نص. يتميز المشروع بقدرات معالجة صوتية متكاملة تحول الموجات الخام إلى مخططات طيفية (spectrograms) ومتجهات رقمية عالية الأبعاد. تسمح هذه الأدوات باستخراج الخصائص الصوتية الفريدة لتحديد المتحدثين، بالإضافة إلى تصنيف مصادر صوتية محددة وأرقام منطوقة. لدعم تطوير النموذج، تتضمن المكتبة مرافق لتعزيز الصوت وإعادة بناء الإشارة. من خلال تعديل عينات الصوت برمجياً لمحاكاة بيئات صوتية متنوعة والتحقق من سلامة الميزات المتعلمة من خلال إعادة بناء الفضاء الكامن (latent-space)، يحسن النظام من متانة شبكاته العصبية الأساسية.

يوفر هذا المستودع مجموعة من نماذج التعلم العميق وهياكل الشبكات العصبية المصممة لمهام معالجة اللغات الطبيعية. يعمل كمكتبة لنماذج مدربة مسبقاً مصممة لمعالجة وتحليل وتوليد بيانات اللغة البشرية باستخدام إطار عمل TensorFlow. يستخدم المشروع نمذجة التسلسل إلى التسلسل وهياكل عصبية ذات طبقات للتعامل مع بيانات اللغة ذات الطول المتغير. من خلال استخدام الرسوم البيانية لتدفق البيانات الثابتة والتمثيلات القائمة على الموتر (tensor)، تنفذ النماذج عمليات رياضية لتحويل ميزات الإدخال إلى معانٍ لغوية مجردة. يمكن للمستخدمين تحميل تسلسلات الأوزان المدربة مسبقاً لتهيئة هذه الشبكات لمهام استنتاج محددة. تغطي المجموعة مجموعة واسعة من القدرات، بما في ذلك تصنيف النصوص، وترجمة اللغات، والتعرف على الكيانات المسماة. كما تدعم تحويل الكلام إلى نص، وتوليف النص إلى كلام، وتلخيص المستندات، وتوليد محتوى نصي حواري أو أصلي. بالإضافة إلى ذلك، يتضمن المستودع أدوات لتحليل الهياكل النحوية وتصور أوزان الانتباه لتفسير أنماط اتخاذ القرار في النموذج.

This framework is a research-oriented toolkit designed for training, fine-tuning, and evaluating conversational agents using transformer-based language architectures. It provides an integrated environment for adapting large pre-trained models to specific dialogue datasets, enabling the development of systems capable of generating coherent, human-like responses. The project distinguishes itself through its support for multi-GPU distributed training, which accelerates the optimization of large-scale models. It also features configurable probabilistic decoding strategies, such as nucleus and gre

هذا المستودع عبارة عن مجموعة من دفاتر ملاحظات Jupyter التعليمية المصممة لتوضيح تقنيات تعلم الآلة العملية ومعالجة اللغات الطبيعية. يعمل كمكتبة تعليمية لتنفيذ النماذج الإحصائية والبنيات العصبية لحل مهام التحليل اللغوي الشائعة من خلال تنفيذ كود تفاعلي ومعياري. يوفر المشروع سير عمل موجهاً لمجموعة واسعة من المهام التطبيقية، بما في ذلك تقييم المشاعر، واستخراج الكيانات المسماة، وتصنيف المستندات. يتميز بتقديم تنفيذات ملموسة للعمليات المعقدة مثل نمذجة الموضوع الاحتمالية، ووضع علامات التسلسل القائم على المحولات، وتوليد خرائط دلالية لمساحة المتجهات. تغطي هذه الموارد دورة حياة تحليل النص بأكملها، من تعيين البيانات اللغوية في مساحات متجهات رقمية إلى قياس التشابه الدلالي وكشف الهياكل الموضوعية المخفية داخل مجموعات المستندات الكبيرة. تم تنظيم المجموعة لتسهيل التجريب التكراري واستكشاف البيانات للمستخدمين الذين يعملون مع نماذج معالجة اللغة الحديثة.

This project is a comprehensive toolkit for on-device speech recognition, synthesis, and audio processing, specifically engineered for Apple Silicon. It provides a framework for building real-time, full-duplex voice agents that operate entirely offline, leveraging native hardware acceleration to maintain performance and privacy. By utilizing optimized machine learning models, the library enables local execution of complex audio tasks without reliance on external cloud services. The library distinguishes itself through its specialized focus on local, high-performance voice interaction. It incl