Awesome GitHub RepositoriesTraining Data Augmentation

Audiocraft is a deep learning audio library and machine learning framework designed for training, fine-tuning, and evaluating generative models for music and sound effects. It functions as a text-to-music generative model and a neural audio codec, providing the tools necessary to compress audio signals into discrete representations and synthesize high-fidelity waveforms from textual descriptions. The framework is distinguished by its ability to combine multiple conditioning signals, allowing for the generation of audio based on text prompts, melodic excerpts, or style-based audio clips. It al

ESPnet is a comprehensive speech processing toolkit and PyTorch-based trainer designed for building end-to-end speech recognition, synthesis, and translation models. It provides a structured framework for developing automatic speech recognition systems using transducer and encoder-decoder architectures, alongside engines for text-to-speech synthesis and speech translation pipelines. The project distinguishes itself through a recipe-based workflow execution system that ensures experimental reproducibility by running standardized sequences of scripts for data preparation and model training. It

This repository contains programming assignments and lecture notes from Andrew Ng's foundational deep learning course specialization on Coursera. The materials cover core neural network training techniques including optimization algorithms, normalization methods, regularization approaches, parameter initialization strategies, and learning rate scheduling to improve model convergence and generalization. The coursework explores design principles where successive neural network layers learn progressively more abstract feature representations from input data. It provides guidance on selecting ope

Snorkel is a weak supervision system that enables users to programmatically generate training labels for machine learning models without manual annotation. At its core, it provides a framework for writing labeling functions as Python callables that each vote on data points, and then trains a probabilistic graphical model over these multiple weak supervision sources to estimate latent true labels without any ground truth data. The system automatically learns accuracy and correlation parameters between labeling functions by analyzing observed agreement patterns on unlabeled data, converting lab

AugLy este o bibliotecă de augmentare a datelor multimodale și un augmentator de seturi de date pentru machine learning. Oferă un sistem pentru generarea de variații sintetice ale datelor de antrenament pe seturi de date audio, imagine, text și video pentru a crește diversitatea eșantioanelor și a îmbunătăți robustețea modelului. Biblioteca funcționează ca un simulator de zgomot multimedia, conceput special pentru a imita capturile reale ale utilizatorilor prin suprapunerea șabloanelor de social media și a artefactelor de internet peste media. Include un tracker de proveniență a datelor pentru a înregistra transformările specifice și nivelurile de intensitate aplicate fiecărei piese de date augmentate. Instrumentul acoperă o gamă largă de capabilități de expansiune a seturilor de date, inclusiv transformări lingvistice pentru text, transformări temporale și vizuale pentru video și transformări sonice pentru audio.

nlpaug este o bibliotecă de augmentare a datelor concepută pentru a genera text sintetic, audio și date de spectrogramă, cu scopul de a îmbunătăți robustețea modelelor de machine learning. Funcționează ca un sintetizator de date textuale și un augmentator de semnal audio, oferind instrumente specializate pentru extinderea seturilor de date prin diverse metode de transformare. Proiectul se distinge prin capacitatea de a orchestra fluxuri de lucru complexe folosind un orchestrator de pipeline, care permite înlănțuirea mai multor funcții de augmentare secvențial sau aleatoriu. Suportă sinteza sofisticată de text prin back-translation, contextual word embeddings și integrarea modelelor de limbaj pre-antrenate, oferind în același timp augmentarea imaginilor de spectrogramă prin mascarea timpului și a frecvenței. Biblioteca acoperă o gamă largă de capabilități, inclusiv modificarea semnalului audio cu injectare de zgomot și pitch shifting, alterări de text bazate pe reguli pentru simularea greșelilor de scriere și extinderea seturilor de date prin generarea de propoziții și substituție semantică. Oferă, de asemenea, controale pentru volumul de augmentare și filtrarea țintei folosind expresii regulate pentru a proteja anumite token-uri de modificare.

Acest proiect este un framework de deep learning conceput pentru transcrierea end-to-end de la vorbire la text (speech-to-text). Utilizează arhitectura de rețea neuronală WaveNet pentru a procesa input-ul audio vorbit și a genera transcrieri text scrise, folosind clasificarea temporală conexionistă (CTC) pentru a mapa secvențele audio de lungime variabilă la ieșiri la nivel de caracter. Sistemul se distinge printr-un pipeline de antrenare cuprinzător care suportă execuția distribuită pe mai multe unități de procesare grafică (GPU). Include utilitare specializate pentru augmentarea datelor audio și transformarea fișierelor audio brute în formate binare optimizate, ceea ce minimizează latența input/output-ului pe disc în timpul antrenării modelelor la scară largă. Software-ul oferă un mediu complet pentru gestionarea fluxurilor de lucru de machine learning, inclusiv instrumente pentru calcularea metricilor de pierdere (loss metrics) pentru a monitoriza convergența și acuratețea modelului. Toate componentele, inclusiv motorul de recunoaștere și pipeline-urile de antrenare, sunt concepute pentru implementarea în medii containerizate pentru a asigura o execuție consistentă pe diverse sisteme gazdă.

Minigo is a TensorFlow-based reinforcement learning engine designed to master the game of Go. It functions as a comprehensive system for training neural networks to predict board policies and game outcomes, utilizing a model trainer to generate self-play data and optimize weights. The project is distinguished by its ability to perform large-scale game simulations using Kubernetes to distribute worker nodes across CPU, GPU, and TPU hardware. It employs a Monte Carlo Tree Search implementation to identify optimal moves and supports specialized hardware acceleration, including inference on Edge

This project is a biomedical image segmentation framework and PyTorch computer vision library. It provides a deep learning pipeline for isolating specific anatomical structures within medical imagery using pixel-level binary classification. The system utilizes an encoder-decoder neural architecture combined with attention-based feature refinement to highlight relevant anatomical regions and suppress background noise. The toolkit covers a full training workflow, including stochastic data augmentation for biomedical datasets, hyperparameter optimization, and model persistence for restoring pre

Această bibliotecă oferă un framework de deep learning pentru antrenarea rețelelor neuronale în vederea recunoașterii vorbirii și clasificării audio. Utilizează arhitecturi de tip sequence-to-sequence pentru a mapa input-urile audio de lungime variabilă în output-uri text sau numerice, permițând dezvoltarea de modele personalizate de transcriere speech-to-text. Proiectul se distinge prin capabilități integrate de procesare audio care transformă formele de undă brute în spectrogramă și vectori numerici de înaltă dimensiune. Aceste instrumente permit extragerea caracteristicilor vocale unice pentru identificarea vorbitorilor, precum și clasificarea surselor audio specifice și a cifrelor rostite. Pentru a susține dezvoltarea modelelor, biblioteca include utilitare pentru augmentarea audio și reconstrucția semnalului. Prin modificarea programatică a mostrelor audio pentru a simula medii acustice diverse și verificarea integrității caracteristicilor învățate prin reconstrucția în spațiul latent, sistemul îmbunătățește robustețea rețelelor neuronale subiacente.