#Github

该项目因时间和资源不足已归档，建议使用其他高质量的Rust推理库，如Ratchet、Candle和llama.cpp等。项目原README包含当前状态、支持的模型及使用方法等详细信息。

AiShort提供简洁易用的AI提示词，无需了解提示词详情即可通过筛选和搜索找到适合各种场景的选项，提升工作效率。支持多语言优化，一键发送至ChatGPT，轻松收藏、编辑和管理提示词，并通过社区投票系统推荐最佳提示词。兼容多种浏览器，提供详细的部署指南和更新方法，便于用户自定义和分享提示词。

提供免费的ChatGPT API反向代理服务，支持gpt-3.5-turbo模型，兼容OpenAI官方API，无需API密钥即可自托管。涵盖Docker、PC/服务器和Android Termux的安装指南，以及免费托管API的使用方法。

在线阅读《机器学习训练秘籍》中文版，了解机器学习训练指南。此版本为预览版，欢迎通过项目Issues、Pull Request或邮件参与翻译改进。本项目遵循CC BY-NC-SA 4.0协议，允许共享和演绎但需署名且非商业使用。

DeepCTR是一个简易、模块化、可扩展的深度学习CTR模型库，提供tf.keras.Model和TensorFlow Estimator接口，适用于快速实验和大规模数据分布式训练。兼容TensorFlow 1.x和2.x，支持多种复杂模型的构建和预测。

MIT的深度学习课程提供完整的代码和实验指导，帮助学习者自主完成实验。课程内容包括讲座视频、幻灯片及云端运行的Jupyter笔记本。实验在Google Colaboratory中运行，无需下载。课程使用mitdeeplearning Python包，简化编程过程。详细的实验提交说明和竞赛指南确保学习者掌握深度学习技能。

本教程详细介绍了TensorFlow 2.0的安装与基础操作，并包含线性回归、MNIST、CIFAR10等多个实战案例。通过配套的视频资源，帮助数据科学家和AI研究人员掌握TensorFlow 2.0在深度学习中的实际应用。

Deepo是一个开源框架，用于轻松组装深度学习研究的Docker镜像。通过提供多种标准组件和定制化Dockerfile生成器，用户可以简单定义环境并自动解决依赖问题。Deepo支持几乎所有常用的深度学习框架，提供预构建的Docker镜像，支持GPU加速和CPU模式，兼容Linux、Windows和OS X。尽管该项目已停止维护，但仍为快速搭建深度学习环境提供了宝贵的工具和资源。

BossSensor项目利用摄像头和图像分类技术，在检测到老板接近时自动隐藏屏幕内容。该系统需要Python 3.5、OSX和Anaconda环境，并且需要提供大量老板及其他人物的图像进行训练。用户只需进行图像训练和启动程序，即可实现实时监控和屏幕保护。安装步骤包括安装OpenCV、PyQt4及TensorFlow。项目由Hironsan开发，采用MIT许可协议。

OneFlow是一款深度学习框架，提供类似PyTorch的API，支持n维并行执行的全局张量以及图编译器用于加速和部署模型。最新版本1.0.0已发布，兼容Linux和多个Python版本。用户可以通过Docker或Pip轻松安装，并利用丰富的文档和模型库快速上手，适合大型变压器模型的并行训练和计算机视觉任务。

NanoDet-Plus 是一款超轻量级高精度的无锚目标检测模型，专为移动设备实时检测设计。其模型文件仅有980KB（INT8）或1.8MB（FP16），在ARM CPU上实现97fps检测速度，精度达34.3 mAP@0.5:0.95。NanoDet-Plus 训练友好，GPU内存占用低，支持ncnn、MNN、OpenVINO等多种后端，提供基于ncnn的安卓演示。此模型在COCO数据集上提升了7 mAP，支持多种分辨率和配置，满足不同场景需求。

DeepChem是一个高质量的开源工具链，致力于推动深度学习在药物发现、材料科学、量子化学和生物学中的应用。支持Python 3.7至3.10，兼容TensorFlow、PyTorch、JAX等框架。用户可通过pip或conda安装，或使用Docker镜像。项目包含丰富的教程和实例，适合从新手到专家。社区活跃，提供Discord和讨论论坛，欢迎科学家、开发者和爱好者的参与。

该项目实现了基于PyTorch的SSD目标检测器，支持VOC和COCO数据集，并可使用Visdom进行训练过程中的实时损失可视化。页面包含详细的安装、训练和评估指南，并提供预训练模型的使用说明。项目展示了高效性能，并包含未来功能更新计划，帮助开发者快速上手并扩展应用。

Composer 是 MosaicML 开发的开源深度学习训练库，基于 PyTorch 构建，专为大规模模型的高效训练设计。支持语言模型、扩散模型和卷积神经网络等，简化了并行化配置、数据加载、自动恢复和内存优化。该库帮助用户快速进行深度学习实验和模型训练。

本书帮助读者在20天内系统性地掌握Pytorch，从基础到进阶，涵盖核心概念与实际应用。内容基于Pytorch官方文档，优化了结构和范例，提升了用户友好度。适合有一定基础的学习者，提供每日学习计划和实用代码，并附有资源获取方式。欢迎对Pytorch感兴趣的读者前来学习和讨论，获取全面的深度学习指南。

本项目提供深度学习视频讲解及笔记资源，涵盖Pytorch、李沐、吴恩达等名师课程，并附有详细的数据集和实用工具。适合从事AI算法开发、图像处理及语音识别方向的求职者，并提供多家知名企业的内推机会，帮助自学者搭建交流平台，实现技术突破和职业发展。

本指南系统介绍了方法、工具和逐步操作说明，帮助工程师成功训练大规模语言模型（LLM）和多模态模型（VLM）。内容涵盖丰富的脚本和命令，适合LLM/VLM训练工程师和操作员使用。基于作者在开源BLOOM-176B和IDEFICS-80B模型训练中的经验，提供有效解决方案，并持续更新，服务于ML社区。

TypeChat使用类型定义取代传统提示工程，简化自然语言接口构建。无论是情感分类还是复杂的购物车应用，TypeChat都能通过类型构建、验证和修复大语言模型响应，确保准确对接用户意图。支持TypeScript、Python和C#，并提供丰富的示例项目和文档，便于开发者快速上手。

AI Lab帮助开发者社区探索和学习微软的最新AI创新。平台展示了八个项目，包括定制视觉、attnGAN、AI工具、认知搜索和机器阅读理解等。每个实验室提供实验平台、GitHub源码、开发者视频以及开发挑战与解决方案的见解。AI Lab由微软AI学校和微软研究院共同开发，提供全面的AI学习和开发资源。

fast-stable-diffusion项目整合了AUTOMATIC1111 Webui、ComfyUI和DreamBooth，旨在提升稳定扩散技术的效率和效果。特别感谢Scenario和Paperspace的赞助支持。点击了解更多关于DreamBooth和实现细节。

Recast Navigation提供自动化、快速且灵活的导航网格生成和路径规划功能，无需依赖其他库。支持Unity、Unreal和Godot等多个游戏引擎，适用于各种游戏类型。包括导航网格生成、路径规划和群体模拟等多种模块，满足不同项目需求。为开发者提供详细文档和社区支持，是行业标准的导航解决方案。

AIdea是一款基于Flutter的开源应用，集成了包括OpenAI的GPT-3.5、GPT-4，Anthropic的Claude instant、Claude 2.1，Google的Gemini Pro等多种大语言模型，支持文生图、图生图、超分辨率等功能。该应用还提供了私有化部署选项，适合需要自定义服务端解决方案的用户。

本项目汇集和分享机器学习、自然语言处理（NLP）及人工智能（AI）的课程讲义。用户可以在平台上协作整理笔记，涵盖从基础到高级的学习内容，包括监督学习、无监督学习、深度学习、生成模型及强化学习等。讲义来自多位知名讲师的热门课程，如Andrew Ng的机器学习课程、MIT的深度学习导论及CMU的神经网络与NLP课程，内容权威且实用。加入社区，共同提升学习效果。

Marvin是一个轻量级AI工具包，提供可靠、可扩展的自然语言接口解决方案。它涵盖文本、图像和音频的生成、分类、实体抽取等多种功能，支持独立或组合使用，适用于各种开发场景。Marvin无需复杂的代码，即可将AI功能集成到现有软件项目中，实现快速部署。该项目开源且免费使用，由Prefect团队开发和维护。

该资源库提供构建NLP系统的示例和最佳实践，重点关注最新的深度学习方法和常见场景，如文本分类、命名实体识别和文本摘要。支持多语言，特别是利用预训练模型应对不同语言任务。内容基于与客户的合作经验，旨在简化开发过程，帮助数据科学家和工程师快速部署AI解决方案。

本项目解析《深度学习》一书，通过数学推导和Python代码实现，涵盖线性代数、概率论、优化算法等基础知识，以及卷积网络、序列建模等深度学习技术。适用于深度学习初学者和从业者，提供详尽的理论和源码实现，帮助掌握深度学习算法。

XLNet是一种基于广义置换语言建模的新型无监督语言表示学习方法，采用Transformer-XL作为骨干模型，适用于长上下文的语言任务。XLNet在问答、自然语言推理、情感分析和文档排名等多个下游任务中表现优异，超越了BERT，取得了多项任务的最新最佳结果。

Smile是一个高效且全面的机器学习系统，支持Java和Scala，包含自然语言处理、线性代数、图形、插值和可视化功能。其先进的数据结构和算法提供卓越性能，涵盖分类、回归、聚类、关联规则挖掘、特征选择、多维缩放、遗传算法、缺失值插补和高效近邻搜索等领域。用户可以通过Maven中央库使用，并在Smile网站找到编程指南和详细信息。

tiny-dnn是一个为计算资源有限的嵌入式系统和物联网设备设计的C++14深度学习库。该库无需GPU，通过TBB线程和SSE/AVX向量化实现了高效性能，在13分钟内达到了98.8%的MNIST准确率。其便携的头文件形式使其易于集成，支持多种网络层类型、激活函数、损失函数和优化算法。tiny-dnn还能导入Caffe模型，适合学习和构建神经网络应用。

提供最新的人工智能、计算机视觉、自然语言处理和机器学习等领域会议的截止日期倒计时工具。用户可以跟踪重要会议的提交截止日期，确保不遗漏任何学术机会。项目欢迎用户贡献，维护简洁列表，并推荐相关领域的其他资源。

Gorgonia是专为Go语言开发的机器学习库，提供自动微分、符号微分、梯度下降优化和数值稳定功能。用户可以轻松编写和评估多维数组的数学方程，并利用CUDA进行快速计算。其目标是成为高性能、可扩展的机器学习和图计算库，适合多机部署，同时支持非标准深度学习和神经网络研究。

本仓库提供 Udacity 深度学习 v7 纳米学位课程的相关资料，包括各种深度学习主题的教程笔记本，涉及卷积神经网络、循环神经网络和生成对抗网络等模型的实现。内容涵盖权重初始化、批量归一化等技术，用户还可以访问项目起始代码，并学习在 AWS SageMaker 上部署模型。

Informer引入ProbSparse注意机制，大幅提升长序列时间序列预测的效率和精度。该模型利用概率分布选择活跃查询，避免冗余计算，适用于多种数据集，并在AIJ和AAAI'21获奖。提供详细的实验设置、Colab示例和数据下载链接，帮助用户快速上手并复现结果。

本项目通过构建自动化沟通代理框架，研究大型语言模型在复杂任务中的协作和认知过程。采用角色扮演和初始提示技术，提升聊天代理的任务完成能力，并与人类意图保持一致。该开源库提供多种代理、任务和模拟环境，支持相关研究。

Keras.js项目已停止更新，建议使用TensorFlow.js。该项目允许在浏览器中运行Keras模型，并利用WebGL提供GPU支持。用户可以访问交互演示和文档，体验MNIST卷积网络、ResNet50、Inception v3等模型的应用。虽然Keras.js不再更新，但现有演示仍可使用，并且支持在Node.js中以CPU模式运行模型。

Bytom是一种区块链协议，支持用户定义、发行和转移数字资产。其官方golang实现提供关键管理、账户及资产管理、交易发送等功能，可通过Homebrew或源码安装。项目正在积极开发中，提供详细的安装和运行指南，并欢迎社区贡献。