Awesome GitHub RepositoriesMulti-Task Learning Models

This project is a speech recognition and translation engine that utilizes a sequence-to-sequence transformer architecture to convert audio into text. It is built upon a weakly supervised learning framework, which leverages large-scale, unlabelled audio-transcript data to create generalized speech representations capable of performing simultaneous transcription, language identification, and translation. The system distinguishes itself through a unified multi-task modeling approach that shares token sequences across different objectives, allowing it to handle diverse languages and vocabularies

The algorithm is a distributed recommendation engine pipeline designed to construct and serve personalized content timelines. It functions as a multi-stage orchestration layer that aggregates candidate content from diverse social graphs and high-dimensional embedding spaces, processing user interaction data to deliver a unified, ranked experience. The system utilizes a high-performance machine learning serving infrastructure to execute deep learning models that predict engagement probabilities in real-time. It distinguishes itself through a hybrid retrieval strategy that combines graph-traver

This project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex

Ludwig is a declarative machine learning framework designed for training neural networks and large language models using configuration files instead of manual coding. It functions as a multimodal model builder and a low-code tool for supervised fine-tuning, allowing users to build models that process mixed inputs of text, images, audio, and tabular data. The project distinguishes itself through an automated hyperparameter optimizer and a system for large language model fine-tuning using parameter-efficient adapters. It features a multimodal data pipeline and the ability to automatically gener

DeepCTR is a specialized software framework and deep learning model library designed for predicting click-through rates and implementing recommendation systems. It provides a suite of tabular data models and architectures tailored for binary classification and sparse feature processing. The framework includes dedicated toolkits for multi-task learning and sequential interest modeling. It allows for the simultaneous estimation of multiple related targets through shared-bottom and gated expert neural networks, while capturing evolving user behavior using attention mechanisms and transformers.

Qwen-Image is a text-to-image model and large language model image generation framework. It functions as an AI image editing suite and a personalized image trainer, capable of producing high-fidelity visuals and accurate typography from natural language descriptions. The system is distinguished by its precision text rendering engine, which integrates multi-script calligraphy and layout-coherent alphabetic text into images. It provides specialized capabilities for subject identity preservation and consistent subject generation across different poses and viewpoints, alongside a training pipelin

यह विविध नेचुरल लैंग्वेज प्रोसेसिंग कार्यों को एक एकीकृत टेक्स्ट-टू-टेक्स्ट समस्या के रूप में मानने के लिए एक मशीन लर्निंग फ्रेमवर्क है। यह बड़े पैमाने पर ट्रांसफॉर्मर मॉडल को प्री-ट्रेन और फाइन-ट्यून करने के लिए एक टूलकिट प्रदान करता है, जो एक ऐसी प्रणाली का उपयोग करता है जहां इनपुट और आउटपुट दोनों को रॉ टेक्स्ट अनुक्रमों के रूप में स्वरूपित किया जाता है। फ्रेमवर्क अपने डिस्ट्रीब्यूटेड ट्रेनिंग सिस्टम के लिए जाना जाता है, जो कई TPU कोर में मॉडल वेट्स और ट्रेनिंग बैच को स्केल करने के लिए मेश-आधारित रणनीतियों का उपयोग करता है। यह कॉन्फ़िगर करने योग्य मिश्रण दरों का उपयोग करके विविध डेटासेट को एक ही ट्रेनिंग स्ट्रीम में जोड़कर मल्टी-टास्क लर्निंग का समर्थन करता है, जिससे एक ही मॉडल विभिन्न भाषा कार्यों को संभालने में सक्षम होता है। सिस्टम एनकोडर-डिकोडर आर्किटेक्चर, टेक्स्ट जनरेशन के लिए बीम-सर्च डिकोडिंग, और ट्रांसफर लर्निंग वर्कफ़्लो सहित क्षमताओं की एक विस्तृत श्रृंखला को कवर करता है। इसमें NLP डेटासेट तैयारी, मॉडल प्रदर्शन मूल्यांकन, और प्रोडक्शन सर्विंग के लिए प्रशिक्षित चेकपॉइंट्स को एक्सपोर्ट करने के लिए उपयोगिताएँ शामिल हैं। लाइब्रेरी विकास में तेजी लाने के लिए विभिन्न आकारों के प्री-ट्रेंड मॉडल चेकपॉइंट्स को लोड करने का समर्थन करती है।

Sapiens is a high-resolution human vision model designed for high-precision, human-centric computer vision tasks. It functions as a suite of tools for estimating human pose, depth, and surface geometry. The project utilizes a vision transformer backbone to perform multiple tasks through a shared encoder. This architecture enables the simultaneous prediction of skeletal structures, joint locations, and the distance between a camera and a human subject. The model's capabilities cover human body part segmentation to isolate anatomical regions from backgrounds and surface normal prediction to re

EconML, मशीन लर्निंग और अर्थमिति (econometrics) के संयोजन का उपयोग करके विषम उपचार प्रभावों (heterogeneous treatment effects) का अनुमान लगाने के लिए डिज़ाइन की गई एक Python लाइब्रेरी है। यह यह निर्धारित करने के लिए कि विशिष्ट हस्तक्षेप व्यक्तियों या उपसमूहों को कैसे प्रभावित करते हैं, सशर्त औसत उपचार प्रभावों (conditional average treatment effects) की गणना करने के लिए एक टूलकिट के रूप में कार्य करती है। यह प्रोजेक्ट उच्च-आयामी भ्रमित करने वाले कारकों (confounders) से कारण संकेतों (causal signals) को अलग करने के लिए डबल मशीन लर्निंग और ऑर्थोगोनल मशीन लर्निंग के लिए एक फ्रेमवर्क प्रदान करता है। इसमें कारण जंगलों (causal forests) और इंस्ट्रूमेंटल वेरिएबल लर्नर्स के लिए विशेष इम्प्लीमेंटेशन शामिल हैं, जो अनपेक्षित भ्रम (unobserved confounding) की उपस्थिति में भी कारण संबंधों की रिकवरी की अनुमति देते हैं। यह लाइब्रेरी रिफ्यूटेशन टेस्ट्स और कैलिब्रेशन कर्व्स के माध्यम से कारण मॉडल वैलिडेशन, व्यक्तिगत उपचार नीतियों के निर्माण और डायनामिक उपचार शासन के विश्लेषण सहित क्षमताओं की एक विस्तृत श्रृंखला को कवर करती है। यह अनिश्चितता परिमाणीकरण (uncertainty quantification) के लिए सांख्यिकीय अनुमान और ट्री-आधारित मॉडल्स और Shapley वैल्यूज़ का उपयोग करके प्रभाव विषमता की व्याख्या का भी समर्थन करती है। यह प्रोजेक्ट मुख्य रूप से Jupyter Notebooks के माध्यम से कार्यान्वित और प्रदर्शित किया जाता है।

This project is a distributed machine learning platform and sparse deep learning framework designed for training and serving models with high-dimensional sparse data. It functions as an online model serving infrastructure and recommendation system engine, enabling real-time item retrieval and scoring using deep tree matching and neural networks. The system distinguishes itself through a multi-task learning framework that optimizes multiple objective functions within a shared representation space. It features a specialized online serving infrastructure that supports dynamic model hot-loading a

Open Flamingo एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल ट्रेनिंग फ्रेमवर्क है जिसे प्रीट्रेन्ड विजन एनकोडर को लैंग्वेज मॉडल्स के साथ एकीकृत करने के लिए डिज़ाइन किया गया है। यह एक विजन-लैंग्वेज आर्किटेक्चर को लागू करता है जो छवियों और टेक्स्ट के इंटरलीव्ड अनुक्रमों को प्रोसेस करने के लिए क्रॉस-अटेंशन लेयर्स का उपयोग करता है। सिस्टम अपनी फ्यू-शॉट मल्टीमॉडल लर्निंग क्षमताओं द्वारा विशेषता है, जो मॉडल को प्रॉम्प्ट में प्रदान किए गए इमेज-टेक्स्ट उदाहरणों के एक छोटे सेट का उपयोग करके नए विज़ुअल कार्यों के अनुकूल होने की अनुमति देता है। यह विज़ुअल क्वेश्चन आंसरिंग और कैप्शनिंग जैसे कार्यों के लिए इन-कॉन्टेक्स्ट लर्निंग और मल्टीमॉडल टेक्स्ट जनरेशन का समर्थन करता है। फ्रेमवर्क में एक डिस्ट्रीब्यूटेड मॉडल ट्रेनर शामिल है जो कई GPU में मेमोरी ऑप्टिमाइज़ेशन के लिए डेटा पैरेललिज़्म और ग्रेडिएंट चेकपॉइंटिंग का उपयोग करता है। यह शार्ड मल्टीमॉडल डेटासेट लोडिंग, पैरेललाइज़्ड मॉडल मूल्यांकन, और इन्फरेंस के लिए बड़े पैमाने पर मॉडल्स को होस्ट करने के लिए इंफ्रास्ट्रक्चर भी प्रदान करता है।

Sqlcoder एक टेक्स्ट-टू-SQL लार्ज लैंग्वेज मॉडल है जो प्राकृतिक भाषा के प्रश्नों को स्ट्रक्चर्ड, निष्पादन योग्य डेटाबेस क्वेरीज़ में बदलने में माहिर है। यह एक डेटाबेस इंटरफेस और क्वेरी जनरेटर के रूप में कार्य करता है जो मैन्युअल कोड की आवश्यकता के बिना डेटा पुनर्प्राप्ति (data retrieval) की अनुमति देता है। यह सिस्टम स्कीमा-अवेयर प्रॉम्प्टिंग और डायनेमिक कॉन्टेक्स्ट इंजेक्शन के साथ संयुक्त एक इंस्ट्रक्शन-ट्यून्ड मॉडल का उपयोग करता है। डेटाबेस मेटाडेटा को इनजेस्ट करके और उदाहरण क्वेरी पेयर्स के साथ इन-कॉन्टेक्स्ट लर्निंग का उपयोग करके, यह सिंटैक्टिक रूप से वैध क्वेरीज़ जनरेट करता है जो कनेक्टेड डेटाबेस के विशिष्ट स्कीमा से मेल खाते हैं। यह प्रोजेक्ट बिजनेस इंटेलिजेंस ऑटोमेशन और सेल्फ-सर्विस डेटा एनालिटिक्स सहित क्षमताओं की एक व्यापक श्रृंखला को कवर करता है। यह डेटाबेस कनेक्शन मैनेजमेंट के लिए इंफ्रास्ट्रक्चर और क्वेरी निष्पादन व मेटाडेटा इनजेशन के लिए एक विज़ुअल इंटरफेस प्रदान करता है।

This project is a collection of structured study notes and notebooks serving as an educational resource for deep learning and neural network fundamentals. It provides a technical reference for implementing machine learning theory, covering everything from basic network design to the construction of advanced architectures. The material specifically focuses on the implementation of convolutional neural networks for computer vision and sequence models for natural language processing. It includes detailed guidance on building object detection systems, face recognition, and speech transcription mo

DeepCTR-Torch is a deep learning library for building click-through rate prediction models. It provides a modular framework for assembling custom prediction architectures from pre-built core, interaction, and sequence layers, enabling the construction of deep neural networks that estimate click probability from user behavior data. The library specializes in feature interaction modeling, offering components for learning low-order, high-order, and adaptive-order feature crosses. It supports multi-task learning for predicting multiple objectives simultaneously, such as click and conversion rates

Otter is a framework and toolkit for the pretraining, fine-tuning, and evaluation of vision-language models. It provides a pipeline for training large language models to process high-resolution images and video frames, integrating visual encoders with textual token spaces. The system is designed for multi-visual input processing, allowing models to interpret multiple images or video sequences within a single prompt. It supports multi-round conversation management to maintain context across interactions for detailed scene comprehension and visual reasoning. The framework covers a full develop

This library provides a deep learning framework for identifying human faces and extracting facial landmarks within digital images. It utilizes a multi-task convolutional neural network architecture to simultaneously perform face classification, bounding box regression, and landmark localization. The system processes images through three sequential stages of neural networks, incorporating image pyramid resizing to detect faces of varying scales. To ensure accuracy, it employs bounding box regression to refine coordinate predictions and non-maximum suppression to filter out redundant overlappin

This project provides a compact neural network architecture designed for human face detection and facial landmark localization. It functions as a specialized computer vision tool that identifies faces and extracts five specific facial key points within a single inference pass, making it suitable for integration into resource-constrained environments. The system utilizes a lightweight convolutional backbone and an anchor-based detection mechanism to maintain a small memory footprint while performing real-time processing. By employing a multi-task learning head, the model simultaneously predict