4 रिपॉजिटरी
Awesome GitHub RepositoriesConvolutional Layers
Neural network layers that apply sliding window filters to extract spatial features from multi-dimensional tensors.
Distinct from Spatially-Varying Convolutions: The candidates focus on geospatial filtering or specific varying convolutions rather than the general architectural concept of convolutional filtering.
Explore 4 awesome GitHub repositories matching artificial intelligence & ml · Convolutional Layers. Refine with filters or upvote what's useful.
Awesome Convolutional Layers GitHub Repositories
AI के साथ बेहतरीन रिपॉजिटरी खोजें।हम AI का उपयोग करके सबसे सटीक रिपॉजिटरी खोजेंगे।
- udacity/deep-learning-v2-pytorch
udacity/deep-learning-v2-pytorch
5,505GitHub पर देखेंयह प्रोजेक्ट PyTorch डीप लर्निंग कोर्सवेयर का एक संग्रह है जिसमें व्यावहारिक प्रोजेक्ट्स और प्रोग्रामिंग अभ्यास शामिल हैं। यह जटिल डेटा समस्याओं को हल करने के लिए न्यूरल नेटवर्क आर्किटेक्चर और मॉडल ट्रेनिंग को लागू करने पर केंद्रित है। रिपॉजिटरी में इमेज क्लासिफ़ायर्स, ऑटोएनकोडर्स और स्टाइल ट्रांसफ़र एप्लिकेशन बनाने के लिए एक कंप्यूटर विज़न प्रोजेक्ट सुइट शामिल है। इसमें सिंथेटिक इमेजेस बनाने के लिए एक जेनरेटिव एडवरसैरियल नेटवर्क लैब और नए कार्यों के लिए प्री-ट्रेंड वेट्स को अनुकूलित करने के लिए ट्रांसफ़र लर्निंग के लिए विशिष्ट कार्यान्वयन शामिल हैं। कोडबेस रिकरेंट न्यूरल नेटवर्क और वर्ड एम्बेडिंग्स का उपयोग करके नेचुरल लैंग्वेज प्रोसेसिंग के लिए अनुक्रमिक डेटा विश्लेषण को कवर करता है। अतिरिक्त क्षमताओं में इमेज डेटा प्रीप्रोसेसिंग, मॉडल परफ़ॉर्मेंस इवैल्यूएशन और प्रशिक्षित मॉडल्स को क्लाउड इंफ्रास्ट्रक्चर पर डिप्लॉय करना शामिल है। सामग्री Jupyter Notebooks की एक श्रृंखला के रूप में प्रदान की जाती है।
Uses convolutional layers to apply spatial filters and extract hierarchical features from image data.
Jupyter Notebookconvolutional-networksdeep-learningneural-network - facebookresearch/flashlight
facebookresearch/flashlight
5,443GitHub पर देखेंFlashlight एक C++ मशीन लर्निंग लाइब्रेरी और डीप लर्निंग फ्रेमवर्क है जिसे न्यूरल नेटवर्क बनाने और ट्रेन करने के लिए डिज़ाइन किया गया है। यह एक टेंसर मैनिपुलेशन लाइब्रेरी और एक ऑटोमैटिक डिफरेंशिएशन इंजन के रूप में कार्य करता है जो मॉडल ऑप्टिमाइज़ेशन के लिए बैकप्रोपैगेशन के माध्यम से ग्रेडिएंट्स की गणना करने के लिए ऑपरेशन्स को ट्रैक करता है। यह प्रोजेक्ट एक वितरित ट्रेनिंग फ्रेमवर्क के रूप में अपनी भूमिका के लिए प्रतिष्ठित है, जो कई नोड्स और डिवाइसेस पर मशीन लर्निंग वर्कलोड को स्केल करने के लिए ऑल-रिड्यूस ग्रेडिएंट सिंक्रोनाइज़ेशन और वितरित वातावरण का उपयोग करता है। इसमें बैकएंड-अज्ञेयवादी मेमोरी इंटरफेस और RAII-आधारित प्रबंधन की सुविधा है ताकि टेंसर ऑपरेशन्स को फिजिकल हार्डवेयर से अलग किया जा सके। यह फ्रेमवर्क कन्वेन्शनल, लीनियर और रिकरेंट लेयर्स के साथ न्यूरल नेटवर्क आर्किटेक्चर के निर्माण सहित क्षमताओं की एक विस्तृत श्रृंखला को कवर करता है। यह टेंसर बीजगणित, डेटासेट प्रबंधन और बैचिंग, मॉडल स्टेट्स के लिए वर्शन्ड बाइनरी सीरियलाइजेशन और ट्रेनिंग मेट्रिक्स व मेमोरी उपयोग को ट्रैक करने के लिए मॉनिटरिंग टूल्स के लिए व्यापक यूटिलिटीज प्रदान करता है।
Implements 2D convolutional layers that slide filters over 4D inputs to extract spatial features.
C++ - hunkim/deeplearningzerotoall
hunkim/DeepLearningZeroToAll
4,494GitHub पर देखेंDeepLearningZeroToAll is a comprehensive educational resource and implementation collection focused on deep learning and machine learning. It provides a structured learning path using TensorFlow to move from foundational linear models to complex neural network architectures. The project is distinguished by its practical implementations of various network types, including multilayer perceptrons for logic problems, convolutional neural networks for spatial data and image recognition, and recurrent neural networks using LSTM cells for time-series forecasting and character sequence prediction. It
Provides convolutional layers that apply filters to extract spatial features from image data.
Jupyter Notebookkeraslabmxnet - jfzhang95/pytorch-video-recognition
jfzhang95/pytorch-video-recognition
1,238GitHub पर देखेंThis project is a deep learning computer vision library designed for video action recognition. It provides a framework for training and evaluating neural networks that identify and categorize human activities within recorded footage by processing temporal sequences of frames. The library focuses on the implementation of three-dimensional neural network architectures, specifically utilizing three-dimensional convolutional layers to capture both spatial and temporal patterns. By aggregating features across consecutive frame sequences, the models learn to represent the evolution of actions over
Applies sliding window filters across spatial and temporal dimensions to extract motion patterns from video data.
Pythonc3dr2plus1dr3d
