#PyTorch

MMPreTrain是基于PyTorch的开源预训练工具箱，提供丰富的训练策略和高效的模型分析工具。支持多种主干网络和预训练模型，如VGG、ResNet、Vision-Transformer等。具备强大的扩展性和高效性，适用于图像分类、图像描述、视觉问答等多种推理任务。最新版本v1.2.0增加了对LLaVA 1.5和RAM的支持，并提供Gradio界面。适用于多模态学习和自监督学习，支持大规模训练配置。提供详细的安装和教程文档，帮助用户快速入门。

pytorch-fid是一款用于计算生成对抗网络（GAN）样本质量的Fréchet Inception Distance（FID）分数的工具。该工具将官方的Tensorflow实现移植到PyTorch，确保相似的准确性和方便性。用户可以自由选择特征层，适应不同的数据集，还支持GPU加速和保存原始数据集的统计信息，便于进行多模型比较，适合研究和开发高质量图像生成模型。

RecBole是一个基于Python和PyTorch的推荐系统框架，旨在高效地复现和开发推荐算法。该框架包含91种算法，涵盖通用推荐、序列推荐、情境推荐和知识推荐四大类。RecBole支持43个基准数据集，并提供GPU加速和标准评估协议以满足研究需求。最新版本增加了扩展包，提升用户体验，并支持多GPU和混合精度训练。

该书介绍了如何使用PyTorch和Scikit-Learn进行机器学习，内容包含从数据预处理到高级深度学习模型的实现。主要涵盖分类、回归、聚类、神经网络、自然语言处理、生成对抗网络及强化学习等主题，通过实用的代码示例和实际应用帮助读者掌握机器学习技术。无论是初学者还是有经验的开发者，都可以将其作为理解和应用机器学习的重要参考资料。

通过practicalAI-cn项目，任何水平的学习者都可以从基础到进阶掌握机器学习与深度学习技能。项目使用PyTorch实现核心算法，并提供多种notebooks，涵盖线性回归、卷积神经网络等多种模型。无需复杂的环境设置，可通过Google Colab直接运行，进行产品级的面向对象编程学习，助力从数据中获取有价值的见解。

DeepRL项目使用PyTorch实现了一系列流行的深度强化学习算法，提供模块化框架，适用于从简单任务到高难度游戏。支持的算法包括DQN、C51、QR-DQN、A2C、DDPG、PPO等，并具备异步数据生成和传输功能。项目依赖PyTorch v1.5.1，具体依赖请参考Dockerfile和requirements.txt。此外，项目提供代码示例和性能曲线图，适合相关研究参考和使用。

本教程详细指导如何使用PyTorch实现物体检测模型，包括模型构建、训练、评估和推理等环节。采用高效的单次多框检测（SSD）算法，介绍多尺度特征图、先验框和非极大值抑制等关键概念。适合具备PyTorch和卷积神经网络基础的学习者，教程提供中文翻译版便于理解和应用。

此存储库专注于计算机视觉领域的卷积网络研究，包含多种分类、分割、检测和姿态估计模型的实现，支持MXNet/Gluon、PyTorch、Chainer、Keras和TensorFlow等框架。提供了训练、评估和转换的脚本以及针对不同框架的PIP包，模型预训练于ImageNet、CIFAR-10/100、SVHN等数据集，能够自动加载预训练权重。

这个开源项目提供简单易用的自监督学习工具，支持自定义骨干模型和分布式训练。通过模块化设计，用户可以自由调整损失函数和模型头。项目还提供商业版本，包含用于嵌入、分类、检测和分割任务的预训练模型。此外，平台集成了主动学习和数据策划功能，适用于大规模数据处理和强大算法的应用。

TorchCAM使用PyTorch的钩子机制，简化了获取卷积层类激活图的过程。该工具支持多种CAM方法，能够与任意PyTorch模型集成。用户只需几行代码即可设置并检索激活图，并可进行可视化。项目提供详尽的文档和多种演示应用，适用于深度学习模型解释需求的开发人员。

Open3D-ML基于Open3D库，扩展了3D机器学习工具，支持语义点云分割和目标检测等应用。提供预训练模型和训练管道，兼容TensorFlow和PyTorch框架，易于集成到现有项目中。同时，提供数据可视化等通用功能，覆盖多种数据集和算法，提高3D数据处理效率和效果。

BindsNET是一个Python库，通过PyTorch的Tensor功能在CPU或GPU上模拟尖峰神经网络（SNNs）。该库旨在开发生物启发的机器学习和强化学习算法，包含丰富的实验示例和结果分析。BindsNET还兼容OpenAI gym环境库，并支持Docker镜像部署。这一项目在生物启发神经与动态系统实验室进行，核心理念是利用尖峰时间依赖可塑性（STDP）来调整神经元间的突触权重，以解决机器学习和强化学习中的问题。

PyTorch Tabular是一个开源库，旨在简化表格数据的深度学习应用。该库具有低阻力易用性、易于定制和可扩展性，基于PyTorch和PyTorch Lightning构建。提供如TabNet、NODE和GATE等多种模型选择，适用于研究和实际应用。详细的文档和简单的安装流程使用户能够快速上手和自定义模型，提高机器学习任务的效率和性能。

WebDataset是一种高性能的数据管理工具，专为大规模深度学习任务设计。它支持从本地存储和云对象存储读取数据，兼容PyTorch、TensorFlow和JAX。WebDataset能高效处理和读取多种格式的数据集，如图像、音频和视频，极大地提升I/O性能并简化数据预处理。其优势包括低延迟、无需本地存储及并行数据访问，适用于不同规模的深度学习任务。

Koila是一个开源项目，通过一行代码解决CUDA内存不足错误。它包含自动累积梯度、惰性求值和批次大小优化功能，使GPU计算更高效。作为轻量级PyTorch包装器，Koila自动计算GPU的剩余内存，并选用适当的批次大小，从而保持与PyTorch的兼容性。

EasyCV是基于PyTorch的全能计算机视觉工具箱，专注于自监督学习、Transformer模型和主要视觉任务，包括图像分类、度量学习、目标检测和姿态估计。该工具箱提供了最先进的自监督算法如SimCLR、MoCO V2、Swav、DINO和基于掩码图像建模的MAE。它拥有简单综合的推理接口，并支持多种预训练模型。EasyCV支持多GPU和多工作者训练，利用DALI优化数据处理，使用TorchAccelerator和fp16加速训练，并通过PAI-Blade优化推理性能。

这个开源项目使用PyTorch，从单幅图像生成3D Ken Burns效果。它提供全自动生成、手动调整摄像机路径、深度估计和性能基准测试等多种功能，并支持在Colab上运行。项目依赖CuPy和moviepy库，并需要正确配置CUDA环境。数据集仅限于非商业用途，更多细节参见LICENSE文件。

NerfAcc是一款基于PyTorch的NeRF加速工具箱，专注于辐射场体积渲染中的高效采样。这款工具无需大幅度修改现有代码，即可显著加速多种NeRF模型的训练过程。NerfAcc提供纯Python接口与灵活API，只需简单定义sigma_fn和rgb_sigma_fn函数即可实现加速。支持CUDA加速，并提供易于安装的预构建轮包。详细信息请参考NerfAcc官方网站。

PyGOD是一个用于图形异常检测的Python库，支持超过10种检测算法，可应用于社交网络和安全系统中的异常检测。该库基于PyTorch和PyTorch Geometric，提供一致的API、详细的文档和互动示例，支持节点、边和图级别的检测任务。与PyG数据对象完全兼容，并具备处理大规模图数据的扩展能力，简化了图数据的处理流程。

Torch-MLIR项目为PyTorch生态系统提供高级编译器支持，并实现与MLIR生态系统的高效集成。通过多种路径，该项目能够将PyTorch模型转换成Torch MLIR方言，简化硬件供应商的开发过程。此外，还提供了预构建快照，便于安装和使用，并通过示例指导用户完成模型转换和结果运行。该项目是LLVM孵化器的一部分，正在持续发展，且拥有广泛的社区支持和交流渠道。

Torchinfo 提供了类似 TensorFlow `model.summary()` API 的功能，可视化和调试 PyTorch 模型。支持包括 RNN 和 LSTM 在内的多种层，并返回 ModelStatistics 对象。项目拥有简洁界面、多种自定义选项和详细文档，适用于 Jupyter Notebook 和 Google Colab，且经过综合单元测试和代码覆盖测试验证。

本资源库包含详尽的MONAI教程，涵盖2D和3D分类、分割、回归及配准任务实例。教程演示如何使用Matplotlib和Jupyter Notebook在PyTorch和MONAI中进行医学图像处理和深度学习操作，并提供Colab环境下的GPU加速指南及数据处理和问题解决方法。教程还介绍了模型部署、实验管理、联邦学习和数字病理学实例，帮助用户掌握和应用MONAI功能。

Opacus库简化了在PyTorch模型中实现差分隐私训练的流程，只需最少量的代码修改，且对训练性能影响小。用户可以实时在线监控隐私预算的使用情况。Opacus适用于机器学习从业者和差分隐私研究人员，提供简便的安装方式和详细的教程，帮助用户快速上手。丰富的使用案例和迁移指南使其成为探索差分隐私领域的重要工具。

TorchGeo 是一个基于 PyTorch 的地理空间数据处理库，提供丰富的数据集、采样器、变换和预训练模型，旨在帮助机器学习和遥感专家更高效地处理和探索地理空间数据。该库支持多光谱传感器的预训练模型，并与 PyTorch 数据加载器完全兼容，易于集成到现有的训练工作流中。其全面的文档包括 API 使用指南、教程和示范，非常适合开发者和研究人员使用。

该页面提供多种序列建模模型的官方实现和实验，包括HiPPO、LSSL、SaShiMi、DSS、HTTYH、S4D、S4ND等。内容涵盖相关模型的源代码概述和具体实验复现，并详细说明如何设置环境、训练模型及生成序列。页面还介绍了优化器超参数、数据集管理和实验配置的详细信息，特别适合使用PyTorch和PyTorch-Lightning进行数据和模型训练的用户。

TorchMetrics提供超过100种PyTorch指标的实现，拥有易用的API和支持自定义指标的功能，优化分布式训练并减少样板代码。它支持自动批次累积和设备同步，模块化设计使得指标可以自动放置在正确的设备上，并兼容PyTorch Lightning。覆盖音频、分类、检测、图像等多个领域，并提供可视化工具，便于理解机器学习算法。

LibMTL是一个基于PyTorch的开源库，专为多任务学习（MTL）设计。它提供了一致的代码库和评估流程，支持多种架构和优化策略，涵盖多个领域的基准数据集。LibMTL采用模块化设计，允许用户灵活添加自定义组件或调整现有算法，方便开发新策略或应用于新场景。详尽的文档确保不同经验水平的开发者都能轻松使用。

这个库提供了支持GPU和高效反向传播的随机微分方程（SDE）求解器。其使用Python和PyTorch开发，安装方便，并附有丰富的示例。用户可以通过简单的代码示例快速入门，并通过文档进一步学习。除了基础功能外，还包括潜在SDE和GAN中的SDE等高级应用示例。适用于在高性能计算环境中执行复杂SDE模型的研究人员和开发者。

神经电路策略（NCPs）是一种设计稀疏递归神经网络的方法，灵感来源于秀丽隐杆线虫的神经系统。该开源项目提供与PyTorch和TensorFlow兼容的模块，增强可审计的自主性。其安装步骤简便，并且提供了丰富的文档和互动教程，帮助用户从基础到复杂模型的创建。多种示例和教程，包括在Google Colab上的演示，让用户快速掌握NCPs的应用。

该项目提供了预编译的AWS Lambda包，涵盖了Selenium、Pyresttest、Lxml、TensorFlow、Sklearn、Skimage、OpenCV、Pandas、Spacy等流行工具和库。无论是网页抓取、API测试、HTML解析，还是机器学习、图像处理、统计分析和自然语言处理，都能满足各种需求。用户可以通过简单的无服务器部署，将这些包轻松集成到云基础设施中，从而显著降低测试成本并提高开发效率。

本项目实现了基于PyTorch的Deep Sort多目标追踪算法，结合CNN模型进行特征提取，并采用YOLOv3和YOLOv5等先进检测器代替原始的FasterRCNN。项目还支持多GPU训练和多类别目标追踪，并引入了Mask RCNN实例分割模型。用户可以使用Python和PyTorch轻松启动和自定义项目，适用于行人再识别等任务。详细的更新日志和使用指南使其对机器学习及计算机视觉爱好者和研究人员尤为有用。

《深入浅出PyTorch》是一门完整的课程，适用于深度学习的学习者，内容从基础到进阶。包括PyTorch的安装、基础知识、主要模块、模型定义、进阶训练技巧、以及可视化技术等。课程通过实际案例和项目实战提高编程与实践能力。适合具备Python编程和机器学习基础的人，通过协作学习提高问题解决能力。

TNT 是一个用于 PyTorch 的训练库，支持 pip 和 conda 安装，并提供 master 版本更新。TNT 简化了 PyTorch 模型训练，提升开发效率。

这款基于深度学习的开源工具可以从歌曲中提取伴奏。用户能够下载最新版本并安装相关的要求包，通过简单命令将音轨分离为伴奏和人声轨道。支持在CPU和GPU上运行，并提供诸如Test-Time-Augmentation和后处理等高级选项以提升分离质量。项目同样允许用户使用自己的数据集训练模型，非常适用于需要高质量音频源分离的应用。

这套深度学习教程有助于理解理论知识，涵盖优化、Transformer、图神经网络等主题。基于PyTorch和PyTorch Lightning框架，并提供JAX+Flax实现。教程支持本地运行、Google Colab和Snellius集群，多种方式供选择。每个教程包含详细的笔记本，实现理论与实践相结合。本课程与正式作业和考试相关，适合想深入了解深度学习及应用的学习者。

该项目提供了PyTorch框架下的CycleGAN和pix2pix图像翻译实现，支持配对和无配对的图像翻译。最新版本引入img2img-turbo和StableDiffusion-Turbo模型，提高了训练和推理效率。项目页面包含详细的安装指南、训练和测试步骤，以及常见问题解答。适用于Linux和macOS系统，兼容最新的PyTorch版本，并提供Docker和Colab支持，便于快速上手。