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 este un framework de detecție a obiectelor care oferă instrumente pentru convertirea configurațiilor și ponderilor modelelor Darknet în grafuri TensorFlow. Include un antrenor de modele TensorFlow pentru antrenarea de noi modele de detecție sau fine-tuning-ul ponderilor existente folosind seturi de date personalizate. Proiectul dispune de un exportator de modele mobile care serializează definițiile grafurilor și metadatele în fișiere protobuf pentru deployment pe dispozitive mobile. Framework-ul suportă inferența de detecție a obiectelor pe imagini și video pentru a identifica obiecte și a exporta coordonatele bounding box-urilor. Gestionează starea modelului prin traducerea mapării ponderilor și antrenare bazată pe checkpoint-uri pentru a permite restaurarea ponderilor și a stărilor optimizatorului.

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 este o rețea generativă adversarială (GAN) nesupervizată și un model de traducere imagine-la-imagine implementat în TensorFlow. Acesta servește drept implementare oficială de cercetare a unei lucrări ICLR 2020, oferind un framework pentru convertirea imaginilor între diferite stiluri vizuale fără a necesita exemple de antrenament pereche. Sistemul utilizează o rețea atențională generativă nesupervizată și hărți de atenție pentru a deforma formele geometrice și a modifica texturile în timpul procesului de traducere. Utilizează un framework cycle-consistent pentru a asigura calitatea traducerii, necesitând ca imaginile să revină la starea lor originală după schimbări de domeniu în ambele sensuri. Codul sursă acoperă antrenarea generativă adversarială și transformarea geometrică a imaginilor, utilizând arhitecturi de discriminare multi-scală și normalizarea adaptivă layer-instance pentru a rafina calitatea sintezei.

This project is a TensorFlow implementation of a convolutional neural network designed for text classification. It functions as a deep learning text categorizer that assigns predefined labels to text documents by identifying and analyzing learned patterns within training sets. The model utilizes a sequence of embedding-layer vectorization, convolutional layers for feature extraction, and max-pooling downsampling to process text data. Final category probabilities are determined through a dense-layer classification system. The workflow covers the end-to-end machine learning lifecycle, includin

Acest proiect este o colecție de notebook-uri interactive pentru un curs de deep learning TensorFlow. Oferă resurse de învățare ghidată și tutoriale practice pentru implementarea arhitecturilor de rețele neuronale, învățarea supervizată și transfer learning. Materialele includ o cale de învățare pentru computer vision și ghiduri specifice pentru transfer learning, demonstrând cum să adaptezi modele pre-antrenate la sarcini noi. Include tutoriale pentru construirea de modele de regresie și clasificatori de imagini folosind API-ul de nivel înalt Keras. Domeniul de aplicare acoperă pipeline-uri de învățare supervizată pentru clasificare binară și multiclasă, modelare de regresie și construcția de rețele neuronale convoluționale pentru recunoașterea textului scris de mână. De asemenea, abordează procesarea datelor de imagine și procesul de exportare a modelelor antrenate pentru deployment. Proiectul este livrat sub forma unei serii de Jupyter Notebooks care combină codul executabil cu text bogat.

Acesta este un framework de tip encoder-decoder bazat pe TensorFlow și o bibliotecă de modele utilizată pentru maparea secvențelor de intrare la secvențe de ieșire. Funcționează ca un mapper de secvențe de deep learning conceput pentru a transforma datele secvențiale dintr-un domeniu în altul. Biblioteca oferă instrumente pentru implementarea modelării secvență-la-secvență în mai multe domenii, inclusiv traducerea automată neuronală, sumarizarea automată a textului și generarea de descrieri pentru imagini. Framework-ul încorporează rețele neuronale recurente și utilizează contextualizarea bazată pe atenție pentru a pondera secvențele de intrare. Suportă multiple strategii de decodare, inclusiv beam search și decodare greedy, executând în același timp operații matematice prin calculul grafic TensorFlow.

Acest proiect este o implementare de deep learning pentru viziune artificială, axată pe restaurarea imaginilor capturate în condiții de iluminare scăzută. Utilizează o rețea neuronală pentru a procesa datele brute de la senzor, mapând imaginile subexpuse către versiuni corect expuse pentru a îmbunătăți vizibilitatea și a restaura culorile naturale. Implementarea se bazează pe cercetări CVPR 2018 și utilizează TensorFlow pentru a executa graful computațional. Folosește o rețea neuronală convoluțională și regresie la nivel de pixel pentru a reconstrui iluminarea scenei direct din datele brute (raw) ale imaginii. Proiectul include un framework pentru învățare supervizată pe perechi, unde modelele sunt antrenate folosind seturi de date cu imagini în lumină scăzută și țintele lor corespondente (ground-truth). De asemenea, oferă procese pentru măsurarea acurateței modelului prin compararea seturilor de date de test procesate cu benchmark-uri consacrate.

Acest proiect este un instrument de transfer de stil neuronal bazat pe TensorFlow și un procesor de imagini deep learning. Utilizează rețele neuronale convoluționale pentru a aplica stilul artistic al unei imagini conținutului alteia prin sinteza neuronală a imaginii. Sistemul suportă blending-ul multi-stil pentru a combina caracteristicile artistice din mai multe imagini diferite într-un singur output. Include, de asemenea, stilizarea cu conservarea culorilor, care menține paleta de culori originală a imaginii sursă prin îmbinarea datelor de culoare sursă cu luminanța rezultatului stilizat. Instrumentul oferă capabilități pentru ajustarea abstractizării stilului și îmbinarea mai multor stiluri. Acestea sunt obținute prin ponderarea influenței straturilor de trăsături fine și grosiere pentru a controla nivelul de detaliu în imaginea finală.

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

Acest proiect este o implementare TensorFlow a unei rețele neuronale pentru generarea de forme de undă audio brute. Acesta funcționează ca un model de sinteză vocală condiționată care produce mostre audio sintetice folosind o arhitectură de rețea neuronală convoluțională dilatată. Sistemul suportă modelarea vocală personalizată prin încorporarea condiționării globale și a identificatorilor categorici în timpul antrenării și generării. Acest lucru permite modelului să imite vorbitori specifici sau caracteristici audio distincte pentru aplicații de text-to-speech neuronal. Framework-ul acoperă sinteza audio prin deep learning, inclusiv procesarea seturilor de date audio, antrenarea modelelor din fișiere waveform și generarea de fișiere audio redate. Utilizează componente tehnice precum convoluții cauzale dilatate, companding mu-law și ieșiri softmax cuantificate pentru a gestiona dependențele pe termen lung în datele audio.

graph_nets is a graph-structured deep learning framework and library for building message-passing neural networks. It provides tools for designing architectures that operate on nodes and edges to process and reason about data structured as graphs using TensorFlow. The framework implements a message-passing paradigm for iterative information exchange between nodes. This approach enables the development of models that can reason about complex graph-structured inputs for tasks such as path-finding and sorting, or serve as a predictor for the future states and trajectories of physical systems.

This is a quantitative finance library built on TensorFlow for financial engineering, asset pricing, and risk management. It serves as a financial derivative pricing engine, a model calibration tool, and a hardware-accelerated math library for numerical tasks. The library provides specialized capabilities for pricing financial assets using standard models and American option logic, as well as calibrating pricing models to market data through local volatility. It includes tools for constructing yield curves via bootstrapping algorithms and monotone convex interpolation. The framework covers a

Acest proiect este un sistem de procesare a limbajului natural conceput pentru recunoașterea entităților numite și clasificarea textului. Utilizează o abordare de machine learning pentru a identifica nume specifice și informații cheie din text brut pentru a organiza conținutul nestructurat într-un format structurat. Sistemul implementează o arhitectură multi-strat care combină un transformer pre-antrenat pentru embedding-uri, long short-term memory bidirecțional pentru modelarea secvențelor și un câmp aleatoriu condiționat pentru tranzițiile de etichete. Suportă transfer learning prin fine-tuning-ul acestor modele pe seturi de date specifice sarcinii. Proiectul include capabilități pentru antrenarea modelelor pe seturi de date personalizate folosind configurații și fișiere de vocabular specificate. Oferă, de asemenea, un mecanism pentru a implementa modelul antrenat ca serviciu de rețea, permițând clasificarea textului și recunoașterea entităților printr-un server HTTP.

Acest proiect este un framework de recunoaștere a entităților numite și un model de procesare a limbajului natural bazat pe TensorFlow. Oferă un pipeline pentru adaptarea modelelor de limbaj pre-antrenate la sarcini specifice de recunoaștere a entităților și clasificare a textului. Sistemul implementează o arhitectură de etichetare a secvențelor care combină embedding-urile bazate pe transformer cu modelarea secvențelor bidirecționale și decodarea prin câmpuri aleatorii condiționate. Include instrumente pentru fine-tuning-ul ponderilor modelului și antrenarea rețelei pentru a identifica și categorisi entitățile din textul nestructurat. Framework-ul include, de asemenea, o arhitectură client-server care expune modelele antrenate printr-un API HTTP. Acest lucru permite inferența la distanță, predicția entităților numite și clasificarea documentelor text printr-o interfață de rețea.