Awesome GitHub RepositoriesLinear Transformations

Flashlight 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।

This project is a comprehensive instructional resource and course for building neural networks using PyTorch. It covers the fundamental building blocks of deep learning, including tensor manipulation, automatic differentiation, and the construction of modular neural network components. The repository serves as a technical guide for several specialized domains. It provides implementation details for computer vision tasks such as image classification, object detection, and semantic segmentation, as well as natural language processing workflows involving transformers, recurrent networks, and gen

यह प्रोजेक्ट एक स्व-पर्यवेक्षित कंट्रास्टिव लर्निंग फ्रेमवर्क है जिसे मानव-प्रदत्त लेबल का उपयोग किए बिना छवियों से विज़ुअल प्रतिनिधित्व सीखने के लिए डीप लर्निंग मॉडल को प्रशिक्षित करने के लिए डिज़ाइन किया गया है। यह प्रीट्रेन्ड विज़ुअल प्रतिनिधित्व मॉडल विकसित करने के लिए एक प्रणाली प्रदान करता है जिसे डाउनस्ट्रीम कंप्यूटर विज़न कार्यों के लिए अनुकूलित किया जा सकता है। इस फ्रेमवर्क में अर्ध-पर्यवेक्षित छवि वर्गीकरण के लिए टूल शामिल हैं, जो सटीकता में सुधार के लिए बड़े लेबल रहित डेटासेट को छोटे लेबल वाले सेट के साथ जोड़ते हैं। इसमें फ्रोजन अभ्यावेदन के शीर्ष पर एक सरल रैखिक क्लासिफायर को प्रशिक्षित करके सीखे गए छवि सुविधाओं की गुणवत्ता का आकलन करने के लिए एक रैखिक जांच मूल्यांकन टूल भी शामिल है। कोडबेस बड़े बैच आकारों को संभालने के लिए वितरित डीप लर्निंग प्रशिक्षण और हार्डवेयर त्वरण को कवर करता है, साथ ही कोसाइन-डिके लर्निंग रेट शेड्यूलिंग और वेट-डिके रेगुलराइजेशन जैसे ऑप्टिमाइज़ेशन प्रिमिटिव्स को भी कवर करता है। यह मॉडल प्रबंधन के लिए उपयोगिताएं भी प्रदान करता है, जिसमें विभिन्न डीप लर्निंग फ्रेमवर्क प्रारूपों के बीच प्रीट्रेन्ड चेकपॉइंट्स का रूपांतरण और मॉडल तैनाती के लिए टूल शामिल हैं। कार्यान्वयन Jupyter Notebooks के संग्रह के रूप में प्रदान किया गया है।