#ResNet

hCaptcha Challenger是一款通过嵌入MoE(ONNX)技术解决hCaptcha挑战的项目，无需依赖Tampermonkey脚本或第三方反机器人服务。支持ResNet、YOLOv8和ViT等多种模型，涵盖图像分类和选择题等多种挑战类型。项目提供详细的工作流程与数据集处理方法，并持续更新模型和资源，确保解决方案的高效与先进。

ffcv-imagenet是一个高效的ImageNet训练框架，采用单文件PyTorch脚本实现。该项目能在标准方法1/10的时间内达到相同精度，支持多GPU并行和多模型同时训练。框架提供丰富的配置选项，结合FFCV数据加载和优化训练流程，使研究人员能更快迭代实验并获得高质量模型。项目还包含多种预设配置，适用于不同的训练需求和硬件环境。

Big Transfer (BiT) 是一种通过扩展预训练提升视觉任务中深度神经网络表现的方法，优化样本效率和超参数调整。该方法在超过20个数据集上具备优异的迁移能力，并可适应不同数据规模的需求。在ILSVRC-2012数据集上，BiT达到了87.5%的top-1准确率，在CIFAR-10数据集上取得99.4%的准确率，并在19项视觉任务基准测试中获得76.3%的成绩。这使得BiT在图像分类任务中得到广泛应用。

resnet18.tv_in1k是一个基于ResNet-B架构的图像分类模型，采用ReLU激活函数和7x7卷积池化层。模型参数量为11.7M，运算量为1.8 GMACs，兼具轻量和高效。支持图像分类、特征图提取和图像嵌入，可处理224x224尺寸图像。该模型使用ImageNet-1k数据集训练，是torchvision的原始权重模型，适用于需要平衡性能和资源的应用场景。

ResNet-D是一款在ImageNet-1k数据集训练的图像分类模型，采用ReLU激活函数和三层卷积结构，包含2560万参数。模型支持224x224尺寸训练输入和288x288测试输入，集成RandAugment增强技术，可实现图像分类、特征提取等计算机视觉任务。

Nougat-LaTeX-based模型通过优化输入分辨率和自适应填充技术，提高了图像到LaTeX代码生成的准确性。该模型微调自facebook/nougat-base，应用于im2latex-100k数据集，解决了原始编码器对方程图像处理不适配的问题。在Wikipedia、arXiv和im2latex-100k数据集的评测中，Nougat-LaTeX-based的token_acc值为0.623850，超越了其他同类模型。适合用于高精度LaTeX代码生成，提供了一种更高效的研究工具。需安装transformers库，建议在本地环境运行以避免API响应被截断。

ConvNeXT是一个受Vision Transformers启发的卷积模型，通过在ImageNet-1k上以384x384分辨率训练而成，旨在提高图像分类效果。研究显示，该模型在性能上优于传统模型，并基于ResNet进行了现代化改造。开发者Liu等人在相关论文中介绍了这一模型，该模型可用于分类任务，亦可在Hugging Face平台上进行任务微调。

ConvNeXT是一款卷积模型，具有优于Vision Transformers的表现。设计灵感源于Swin Transformer，并对ResNet进行了现代化调整，专注于图像分类。ConvNeXT-tiny-224在ImageNet-1k数据集训练后，提供高效的分类能力。模型集线器提供适用不同任务的微调版本。

ResNet18的最新变体，在ImageNet-1k数据集上使用A3训练方法进行优化。模型具有ReLU激活函数、7x7卷积与池化、以及1x1卷积下采样设计，增强图像分类精度和特征提取能力，适合影像识别和深度学习项目应用。参数数量为11.7M，GMACs为0.9，适用于中小规模项目，易于集成部署。