Awesome GitHub RepositoriesTensorFlow Graph Execution

This project is a TensorFlow-based neural style transfer framework designed to apply the artistic textures and colors of a painting to images and videos. It utilizes a feed-forward image stylizer that transforms visual appearance in a single pass, avoiding the need for iterative optimization. The system includes a deep learning training pipeline that teaches convolutional neural networks to replicate specific styles using perceptual loss functions. It also features a video frame processor that decomposes video files into individual images for sequential stylization and reassembly. The softwa

This project is a collection of educational resources and instructional guides for learning deep learning and neural network implementation using TensorFlow. It provides a structured set of tutorials and notebooks written in Chinese, covering supervised and unsupervised learning tasks. The material focuses on practical implementations of diverse neural network architectures, including convolutional, recurrent, and autoencoder networks. It includes specific training content for computer vision, natural language processing, and generative models. The coverage extends to specialized network arc

This is a TensorFlow implementation of the Deep Convolutional Generative Adversarial Network (DCGAN) architecture, providing a framework for training generative models that produce synthetic images from random noise vectors. The project implements the core DCGAN design, using transposed convolutions for upsampling, batch normalization for training stability, and leaky ReLU activations in the discriminator, all executed as static TensorFlow computation graphs. The implementation supports training on custom image datasets by accepting user-supplied image folders without requiring a predefined f

This repository is a collection of practical deep learning implementations and examples built using the TensorFlow framework. It provides a variety of neural network architectures focusing on natural language processing, recommendation systems, reinforcement learning, and time series prediction. The project features a range of specialized models, including sequence-to-sequence and transformer architectures for text processing, and factorization machines for personalized ranking and retrieval. It also includes implementations of reinforcement learning agents using actor-critic and policy gradi

ml5-library is a JavaScript machine learning library that functions as a browser-based inference engine. It provides a high-level wrapper for implementing neural networks and data models, allowing users to execute machine learning predictions directly on the client side. The library simplifies the integration of machine learning into web applications and creative coding projects by removing the requirement for deep mathematical expertise. It specifically enables web-based image classification through the use of pretrained deep learning models to identify and label objects within images. The

TensorFlow Serving is a high-performance machine learning inference server designed to deploy TensorFlow models to production environments. It functions as a complete serving system that executes predictions on input data through a graph executor, providing network endpoints that eliminate the need for a separate runtime environment for client applications. The system is distinguished by its model version manager, which organizes and selects specific model versions within a directory hierarchy. It uses a filesystem watcher to detect new model versions and trigger automatic updates without int

yolotf est un framework de détection d'objets qui fournit des outils pour convertir les configurations et les poids de modèles Darknet en graphes TensorFlow. Il inclut un entraîneur de modèles TensorFlow pour entraîner de nouveaux modèles de détection ou affiner des poids existants en utilisant des jeux de données personnalisés. Le projet propose un exportateur de modèles mobiles qui sérialise les définitions de graphes et les métadonnées dans des fichiers protobuf pour un déploiement sur des appareils mobiles. Le framework prend en charge l'inférence de détection d'objets sur des images et des vidéos pour identifier des objets et exporter les coordonnées des boîtes englobantes. Il gère l'état du modèle via la traduction de mappage de poids et l'entraînement basé sur des points de contrôle pour permettre la restauration des poids et des états de l'optimiseur.

Swift for TensorFlow is a custom toolchain that extends the Swift language with first-class automatic differentiation and differentiable types, enabling gradient-based computation directly within the compiler. It integrates the Swift compiler with TensorFlow runtime and XLA backends, allowing tensor operations to be compiled and executed on hardware-accelerated hardware for high-performance machine learning. The project distinguishes itself through compiler-integrated automatic differentiation that computes gradients of user-defined functions and types during compilation, eliminating the need

UGATIT est un réseau antagoniste génératif (GAN) non supervisé et un modèle de traduction image-à-image implémenté dans TensorFlow. Il sert d'implémentation de recherche officielle d'un article ICLR 2020, fournissant un framework pour convertir des images entre différents styles visuels sans nécessiter d'exemples d'entraînement appariés. Le système utilise un réseau attentionnel génératif non supervisé et des cartes d'attention pour déformer les formes géométriques et modifier les textures pendant le processus de traduction. Il emploie un framework cycle-consistent pour assurer la qualité de la traduction en exigeant que les images reviennent à leur état original après des changements de domaine bidirectionnels. La base de code couvre l'entraînement antagoniste génératif et la transformation géométrique d'image, utilisant des architectures de discriminateur multi-échelle et une normalisation adaptative couche-instance pour affiner la qualité de synthèse.

Ce projet est une implémentation TensorFlow d'un réseau de neurones convolutif conçu pour la classification de texte. Il fonctionne comme un catégoriseur de texte par deep learning qui assigne des étiquettes prédéfinies aux documents texte en identifiant et en analysant des modèles appris au sein des jeux d'entraînement. Le modèle utilise une séquence de vectorisation par couche d'embedding, des couches convolutives pour l'extraction de caractéristiques et un sous-échantillonnage par max-pooling pour traiter les données textuelles. Les probabilités de catégorie finales sont déterminées via un système de classification par couche dense. Le flux de travail couvre le cycle de vie complet du machine learning, incluant l'apprentissage supervisé de texte, l'entraînement de modèle avec des dimensions d'embedding et des tailles de filtre configurables, et l'évaluation des performances en utilisant des jeux de données de validation et la persistance de modèle basée sur des points de contrôle (checkpoints).

Ce projet est une collection de notebooks interactifs pour un cours de deep learning TensorFlow. Il fournit des ressources d'apprentissage guidées et des tutoriels pratiques pour implémenter des architectures de réseaux de neurones, l'apprentissage supervisé et l'apprentissage par transfert (transfer learning). Les matériaux présentent un parcours d'apprentissage en vision par ordinateur et des guides spécifiques pour l'apprentissage par transfert, démontrant comment adapter des modèles pré-entraînés à de nouvelles tâches. Il inclut des tutoriels pour construire des modèles de régression et des classificateurs d'images utilisant l'API de haut niveau Keras. La portée couvre les pipelines d'apprentissage supervisé pour la classification binaire et multiclasse, la modélisation par régression et la construction de réseaux de neurones convolutifs pour la reconnaissance de texte manuscrit. Il aborde également le traitement des données d'images et le processus d'exportation des modèles entraînés pour le déploiement. Le projet est livré sous forme d'une série de Jupyter Notebooks qui combinent du code exécutable avec du texte riche.

Il s'agit d'un framework encodeur-décodeur basé sur TensorFlow et d'une bibliothèque de modèles utilisée pour mapper des séquences d'entrée vers des séquences de sortie. Il fonctionne comme un mappeur de séquences de deep learning conçu pour transformer des données séquentielles d'un domaine à un autre. La bibliothèque fournit des outils pour implémenter la modélisation séquence-à-séquence dans plusieurs domaines, notamment la traduction automatique neuronale, le résumé automatique de texte et la génération de légendes d'images. Le framework intègre des réseaux de neurones récurrents et utilise la contextualisation basée sur l'attention pour pondérer les séquences d'entrée. Il prend en charge plusieurs stratégies de décodage, dont le beam search et le décodage glouton, tout en exécutant des opérations mathématiques via le graphe de calcul TensorFlow.

Ce projet est une implémentation de vision par ordinateur basée sur le deep learning, spécialisée dans la restauration d'images en basse lumière. Il utilise un réseau de neurones pour traiter les données brutes des capteurs, transformant des images sous-exposées en versions correctement exposées afin d'améliorer la visibilité et de restaurer les couleurs naturelles. L'implémentation s'appuie sur des recherches présentées à la CVPR 2018 et utilise TensorFlow pour exécuter le graphe de calcul. Elle emploie un réseau de neurones convolutifs et une régression au niveau des pixels pour reconstruire l'éclairage de la scène directement à partir des données brutes (RAW). Le projet inclut un framework pour l'apprentissage supervisé par paires, où les modèles sont entraînés à l'aide de jeux de données d'images en basse lumière et de leurs cibles de référence (ground-truth). Il fournit également des processus pour mesurer la précision du modèle en comparant les jeux de données de test traités par rapport à des benchmarks établis.

Ce projet est un outil de transfert de style neuronal basé sur TensorFlow et un processeur d'image par deep learning. Il utilise des réseaux de neurones convolutifs pour appliquer le style artistique d'une image au contenu d'une autre via la synthèse d'image neuronale. Le système prend en charge le mélange multi-style pour combiner les caractéristiques artistiques de plusieurs images différentes en une seule sortie. Il inclut également une stylisation préservant les couleurs, qui maintient la palette de couleurs originale de l'image source en fusionnant les données de couleur source avec la luminance du résultat stylisé. L'outil fournit des capacités pour l'ajustement de l'abstraction de style et le mélange de styles multiples. Celles-ci sont obtenues en pondérant l'influence des couches de caractéristiques fines et grossières pour contrôler le niveau de détail dans l'image finale.

This project provides Rust bindings for the TensorFlow C API, serving as a tensor computation interface and machine learning library. It enables the construction and execution of machine learning models and neural networks by bridging a systems language to high-performance backends. The framework supports GPU-accelerated computing to increase the speed of model training and inference by offloading mathematical operations to graphics processing units. It offers both graph-based computation for defining static network architectures and an eager execution mode for immediate operation calls durin

Ce projet est une implémentation TensorFlow d'un réseau de neurones pour la génération de formes d'onde audio brutes. Il fonctionne comme un modèle de synthèse vocale conditionnée qui produit des échantillons audio synthétiques en utilisant une architecture de réseau de neurones convolutifs dilatés. Le système prend en charge la modélisation de voix personnalisées en intégrant un conditionnement global et des identifiants catégoriels lors de l'entraînement et de la génération. Cela permet au modèle d'imiter des locuteurs spécifiques ou des caractéristiques audio distinctes pour des applications de synthèse vocale neuronale. Le framework couvre la synthèse audio par deep learning, incluant le traitement de jeux de données audio, l'entraînement de modèles à partir de fichiers de forme d'onde, et la génération de fichiers audio lisibles. Il utilise des composants techniques tels que les convolutions causales dilatées, le companding mu-law et les sorties softmax quantifiées pour gérer les dépendances à long terme dans les données audio.

graph_nets est un framework et une bibliothèque d'apprentissage profond structuré sur graphes pour construire des réseaux de neurones à passage de messages. Il fournit des outils pour concevoir des architectures qui opèrent sur des nœuds et des arêtes pour traiter et raisonner sur des données structurées en graphes en utilisant TensorFlow. Le framework implémente un paradigme de passage de messages pour l'échange d'informations itératif entre les nœuds. Cette approche permet le développement de modèles capables de raisonner sur des entrées complexes structurées en graphes pour des tâches telles que la recherche de chemin et le tri, ou de servir de prédicteur pour les états futurs et les trajectoires de systèmes physiques.

Il s'agit d'une bibliothèque de finance quantitative construite sur TensorFlow pour l'ingénierie financière, la tarification d'actifs et la gestion des risques. Elle sert de moteur de tarification de dérivés financiers, d'outil de calibration de modèles et de bibliothèque mathématique accélérée par le matériel pour les tâches numériques. La bibliothèque fournit des capacités spécialisées pour tarifer des actifs financiers en utilisant des modèles standard et la logique des options américaines, ainsi que pour calibrer les modèles de tarification aux données de marché via la volatilité locale. Elle inclut des outils pour construire des courbes de rendement via des algorithmes de bootstrapping et l'interpolation convexe monotone. Le framework couvre un large éventail de tâches de modélisation quantitative, incluant la simulation de processus stochastiques, l'échantillonnage à partir de copules pour modéliser des structures de dépendance, et la résolution d'équations différentielles ordinaires et partielles. Elle fournit également des outils d'analyse numérique pour la recherche de racines et l'optimisation mathématique.

Ce projet est un système de traitement du langage naturel conçu pour la reconnaissance d'entités nommées et la classification de texte. Il utilise une approche d'apprentissage automatique pour identifier des noms spécifiques et des informations clés à partir de texte brut afin d'organiser le contenu non structuré dans un format structuré. Le système implémente une architecture multicouche qui combine un transformeur pré-entraîné pour les embeddings, une mémoire à long terme bidirectionnelle (LSTM) pour la modélisation de séquence, et un champ aléatoire conditionnel (CRF) pour les transitions d'étiquettes. Il prend en charge l'apprentissage par transfert via l'affinage de ces modèles sur des jeux de données spécifiques à une tâche. Le projet inclut des capacités pour entraîner des modèles sur des jeux de données personnalisés en utilisant des configurations et des fichiers de vocabulaire spécifiés. Il fournit également un mécanisme pour déployer le modèle entraîné en tant que service réseau, permettant la classification de texte et la reconnaissance d'entités via un serveur HTTP.

Ce projet est un framework de reconnaissance d'entités nommées et un modèle de traitement du langage naturel basé sur TensorFlow. Il fournit un pipeline pour adapter des modèles de langage pré-entraînés à des tâches spécifiques de reconnaissance d'entités et de classification de texte. Le système implémente une architecture d'étiquetage de séquence qui combine des embeddings basés sur des transformeurs avec une modélisation de séquence bidirectionnelle et un décodage par champ aléatoire conditionnel. Il inclut des outils pour affiner les poids des modèles et entraîner le réseau à identifier et catégoriser les entités au sein de texte non structuré. Le framework inclut également une architecture client-serveur qui expose les modèles entraînés via une API HTTP. Cela permet l'inférence à distance, la prédiction d'entités nommées et la classification de documents texte via une interface réseau.