Logo
Project Icon

linformer

线性复杂度自注意力机制的PyTorch实现

LinformerPytorch自注意力机制深度学习神经网络Github开源项目

Linformer是一个基于PyTorch的高效自注意力机制实现。通过将注意力矩阵投影到低维度空间，它实现了线性复杂度，适合处理长序列数据。项目提供简洁API，支持构建语言模型和自注意力层。尽管在自回归任务和可变序列长度方面有局限，但其高效性已在Facebook的生产环境中得到验证，为处理大规模数据提供了新的解决方案。

访问官网访问官网GithubGithub
介绍相关项目
enformer-official-rough - 基于Transformer的神经网络架构实现精准基因表达预测
EnformerGithubHuggingfaceTransformer架构基因表达预测开源项目模型深度学习长程相互作用
Enformer是一个基于Transformer的神经网络架构，能从DNA序列中精确预测基因表达。该模型由Avsec等人在Nature期刊发表，并在DeepMind的GitHub仓库首次公开。本项目将官方权重移植至PyTorch，为基因组学研究提供了有力工具。研究人员可参考enformer-pytorch的使用说明，进行基因表达预测和分析。该模型在整合长程相互作用方面表现出色，大幅提高了基因表达预测的准确性。
attention_sinks - 调整预训练的 LLM 以使用修改后的滑动窗口注意力形式
Githubattention_sinkstransformers开源项目流畅生成深度学习模型高效流处理
通过`attention_sinks`改进预训练语言模型，结合滑动窗口注意力，实现流畅文字生成。与传统`transformers`不同，保持显存恒定使用，确保高效性能。支持Llama、Mistral、Falcon、MPT、GPTNeoX等多种模型，适用于多步生成任务，如聊天机器人。详细benchmark测试结果显示，该技术在处理数百万个令牌后依然保持低困惑度和高流畅度，是多任务处理的理想选择。
inferflow - 为大语言模型提供高效灵活的推理解决方案
GithubInferflow大语言模型开源项目推理引擎模型服务量化
Inferflow是一款功能强大的大语言模型推理引擎，支持多种文件格式和网络结构。它采用3.5位量化和混合并行推理等创新技术，提高了推理效率。用户通过修改配置文件即可部署新模型，无需编写代码。Inferflow支持GPU/CPU混合推理，为模型部署提供灵活选择。该项目为研究人员和开发者提供了高效易用的LLM推理工具。
perceiver-pytorch - Perceiver模型的PyTorch实现 迭代注意力处理多模态数据
GithubPerceiver开源项目注意力机制深度学习神经网络计算机视觉
perceiver-pytorch项目实现了Perceiver和PerceiverIO模型。这些模型采用迭代注意力机制，能够处理图像、视频和文本等多种输入数据。项目提供灵活的配置选项，包括输入通道数、频率编码和注意力头数等。通过语言模型示例，展示了PerceiverIO架构的通用性。该实现适合处理复杂多模态输入的深度学习研究和应用。项目提供了简单易用的API，支持快速集成到现有PyTorch项目中。代码实现了原论文中的核心概念，如交叉注意力和自注意力机制。此外，项目还包含了实验性的自下而上注意力版本，为研究人员提供了更多探索空间。
keras-attention - Keras 兼容的注意力层，支持 Luong 和 Bahdanau 评分函数
Attention LayerBahdanauGithubKerasLuongTensorflow开源项目
Keras Attention Layer 支持 Luong 和 Bahdanau 的评分函数，与 Tensorflow 2.8 至 2.14 兼容。该层易于安装和使用，可根据需求调整参数，广泛应用于提高深度学习模型精度。提供丰富的实例和详细文档，包括在 LSTM 网络中的注意力机制实现，以及 IMDB 数据集和加数任务的实验数据。
xformers - Transformer 研究加速工具
GithubPyTorchTransformerxFormers开源项目注意力机制深度学习
xFormers 是一个加速 Transformer 研究的开源工具库。它提供可自定义的独立模块，无需样板代码即可使用。该项目包含前沿组件，专注于研究需求，同时注重效率。xFormers 的组件运行快速且内存利用率高，集成了自定义 CUDA 内核和其他相关库。它支持多种注意力机制、前馈网络和位置编码，适用于计算机视觉、自然语言处理等多个领域的研究工作。
ModuleFormer - 高效可扩展的模块化语言模型架构
GithubMoLMModuleFormer大语言模型开源项目模块化稀疏激活
ModuleFormer是一种新型MoE架构，结合棒断注意力头和前馈专家两种专家类型。通过稀疏激活，实现高效性、可扩展性和专业化。基于此架构的MoLM语言模型系列，参数规模40亿到80亿不等，在提高吞吐量的同时保持性能，易于扩展新知识和针对特定任务优化。MoLM在多项基准测试中展现出优秀的效率和性能。
CrossFormer - 融合跨尺度注意力的高效视觉Transformer
CrossFormer++Github图像分类开源项目目标检测视觉Transformer跨尺度注意力
CrossFormer++是一种创新的视觉Transformer模型，通过跨尺度注意力机制解决了不同尺度对象特征间建立关联的问题。该模型引入跨尺度嵌入层和长短距离注意力等设计，并采用渐进式分组策略和激活冷却层来平衡性能与计算效率。在图像分类、目标检测和语义分割等视觉任务中表现优异，尤其在密集预测任务中效果显著。CrossFormer++为计算机视觉领域提供了一种灵活高效的新型架构。
iTransformer - 先进的时间序列预测模型，打造SOTA性能
GithubiTransformer人工智能开源项目时间序列预测注意力网络深度学习
iTransformer是一种基于注意力机制的时间序列预测模型，由清华大学和蚂蚁集团研究人员开发。该模型采用倒置Transformer结构，支持多变量和多步长预测。iTransformer引入了可逆实例归一化等技术，旨在提高预测准确性和处理长序列数据的能力。这个开源项目为时间序列分析提供了新的研究方向。项目提供Python实现，支持使用PyTorch框架。用户可通过pip安装并轻松集成到现有的时间序列分析工作流程中。该项目还包括实验性功能，如二维注意力和傅里叶变换增强版本，为研究人员提供了探索和改进的空间。
Crossformer - 高效利用跨维度依赖的多变量时间序列预测模型
CrossformerGithubTransformer开源项目时间序列预测注意力机制深度学习
Crossformer是一种新型Transformer模型，针对多变量时间序列预测设计。该模型采用维度分段嵌入、两阶段注意力机制和层次编码器-解码器结构，有效捕捉时间和维度间的依赖关系。Crossformer在多个基准数据集上表现优异，为长序列预测和高维数据处理提供新思路。其开源实现便于研究人员和实践者探索应用。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号