#深度学习

深度学习框架Pytorch-Lightning 2.0版本现已推出，提供清晰稳定的API，支持AI模型的预训练、微调和部署。该框架轻松实现Pytorch代码组织，将科学研究与工程实现分离，帮助研究人员和工程师高效进行模型训练与部署。通过提供各种训练和部署选项以及兼容多种硬件和加速器，Pytorch-Lightning兼顾模型的灵活性和可扩展性，适应从初学者到专业AI研究的不同需求。

Ludwig是一个低代码深度学习框架，用于构建定制的人工智能模型，如LLMs和其他深度神经网络。它支持多任务和多模态学习，优化了批量大小选择，分布式训练和模型微调，确保高效处理大规模数据集。Ludwig的模块化设计允许用户轻松实验不同的模型架构，支持超参数优化和丰富的度量可视化，适用于生产环境，并整合了Docker和Ray等工具，支持模型导出到Torchscript和Triton，一键上传至HuggingFace。

Kornia是一款基于PyTorch的差分化计算机视觉库，提供一系列可插入神经网络的运算和模块，用于解决通用的计算机视觉问题。该库利用PyTorch高效性和自适应反向传播算法，支持图像变换、视觉几何、深度估算及基于张量的低层图像处理等功能，适用于研究和商业用途。

Real-Time Voice Cloning是一个基于深度学习的实时语音克隆工具，能够通过简短语音样本快速创建个性化语音模型。项目实现了从说话人验证到多说话人文本到语音合成的框架（SV2TTS），并配备了实时工作的声码器。适用于需要个性化语音合成的开发者和研究人员，支持多种数据集，提供预训练模型以简化使用和实验过程。

LivePortrait是一种基于PyTorch实现的先进面部动画技术，支持高效的人像动画合成与重定向控制。项目提供了全面的预训练模型和易于使用的界面，支持Windows、macOS和Linux系统。用户可以快速开始，利用预训练权重生成高质量的动画肖像。支持静态图像与视频的动画生成，可广泛应用于虚拟现实、游戏开发和在线教育等领域。

一个设计简洁的深度学习项目模板，结合了简单性、良好的文件夹结构和优秀的OOP设计，帮助开发者更快地启动主要项目，专注于核心部分（如模型和训练）。模板封装了常见功能，使得开发者仅需更改核心内容即可轻松启动新的TensorFlow项目。主要组件包括模型、训练器、数据加载器和日志记录器，提供详细的使用示例和项目架构图。

MatchZoo是一个通用的文本匹配工具包，为深度文本匹配研究提供高质量代码库。支持文档检索、问答系统、对话响应排名和同义句识别等任务，具备统一的数据处理管道、简化的模型配置和自动超参数调整功能，使用便捷。

本项目将《动手学深度学习》一书中的MXNet代码改为TensorFlow 2.0实现，提供完整的中文学习资源，涵盖线性回归、卷积神经网络、循环神经网络等核心内容。适合对深度学习感兴趣的初学者，只需掌握基础数学和Python编程即可入门。

该项目基于AlphaGo Zero论文，提供了简化和灵活的自学强化学习实现，适用于各种双人回合制对抗游戏和深度学习框架。用户可通过实现Game.py和NeuralNet.py中的类，为所选游戏自定义实现。项目提供了Othello、五子棋和井字棋等游戏示例，支持PyTorch和Keras框架，并包含核心训练循环、蒙特卡洛树搜索和神经网络参数设置的详细说明，此外还提供预训练模型和Docker环境设置。

TruLens 提供开发和监控神经网络的工具，特别是大语言模型。TruLens-Eval 可系统性评估和跟踪LLM应用，帮助识别和改进性能；TruLens-Explain 提供跨框架的深度学习可解释性，支持TensorFlow、PyTorch和Keras。查看官方文档以获取快速安装和使用指南，帮助开发者高效构建与优化模型应用。

Alpa系统旨在简化大规模神经网络的训练与服务，能够将用户的单设备代码自动并行化到分布式集群。其主要特点包括自动并行化、卓越性能以及与现有机器学习生态系统的紧密集成。虽然目前不再积极维护，Alpa的核心算法已并入XLA并继续得到支持。通过Alpa，用户可以实现数据并行、操作并行和流水线并行，从而在线性扩展分布式集群上训练数十亿参数的模型。

Higgsfield是一款开源、高容错、可扩展的GPU调度与机器学习框架，适用于数十亿到数万亿参数的模型（如大型语言模型）。它的主要功能包括分配计算资源、支持高效分片、启动和监控大规模神经网络训练、管理资源竞争，并通过与GitHub的集成实现持续集成。Higgsfield简化了大规模模型训练的流程，提供了多样且强大的开发工具。

MatMul-Free LM是一种无需矩阵乘法操作的高效语言模型架构，兼容🤗 Transformers库，支持370M至2.7B参数的模型。该模型使用高效的三值权重，在计算效率和性能提升方面表现优异。安装需求包括PyTorch、Triton和einops。用户可以轻松初始化模型，并使用预训练模型进行文本生成，适用于各种高效语言建模应用场景。

本书基于PyTorch，系统性涵盖深度学习的核心知识，包括计算机视觉、自然语言处理、大语言模型等实战案例，详解ONNX和TensorRT推理部署框架，为读者提供从基础到应用的完整指导，帮助快速掌握PyTorch并实现项目落地。适合AI自学者、产品经理及跨领域人士阅读。

为企业提供营销、定价、供应链和智能制造领域的AI/ML应用参考工具包，包括Jupyter笔记本、原型应用、数据集和评估问卷，帮助快速评估项目准备度，进行数据分析和构建模型原型，适用于深度学习、强化学习和因果推断方法。

AutoCoder发布了新一代代码生成模型，其测试准确率超过了GPT-4 Turbo。主要功能包括自动安装和执行所需包，解决了之前模型仅在验证代码时启动解释器的问题。该模型支持多个数据集，提供详细的快速入门指南，适合在Linux环境中部署，适用于高效代码生成和执行需求的用户。

本教程提供系统化的学习路径，涵盖基础理论、实际编码、数据处理、注意力机制、预训练和微调，帮助开发者掌握ChatGPT等大型语言模型的核心技术，适合具备一定编程基础的技术人员。

RecAI 项目旨在通过整合大规模语言模型 (LLMs) 开发更先进的推荐系统，主要提升交互性、可解释性和控制性。项目研究了多种技术，包括推荐 AI 代理、个性化提示、语言模型微调、模型解释器和评价系统。目标是通过全面的方法，解决 LLM4Rec 在实际应用中的需求，打造更加智能和可信赖的推荐系统。

LearnOpenCV.com 博客提供了众多关于计算机视觉、深度学习及人工智能的最新技术和代码实例。该平台聚焦于为AI学习者及技术实践者提供丰富的资源和项目实践，帮助用户全面掌握并应用AI技术。

发掘DAIR.AI整理的YouTube机器学习课程清单，覆盖从基础到高级的各类主题，如决策树、神经网络和深度学习。课程适合不同水平的学习者，帮助你提升机器学习技能。

Deep Lake是一个为深度学习设计的AI数据库，提供多云和本地数据存储方案，支持动态数据类型如嵌入向量、音频、视频等。它通过即时可视化、高级查询和向量搜索功能，以及与LangChain、Weights & Biases等工具的无缝整合，优化了企业级LLM产品的部署和数据管理。该平台适用于各种规模的数据，支持无服务器架构。

TensorFlow-Examples提供针对TensorFlow 1和2的详尽教程，涵盖从基础操作到高级模型如深度神经网络，适合初学者通过详细的笔记本和代码解析深入学习，同时介绍最新的API使用实践，如layers、estimator和dataset。

paper-reading平台通过精读和剖析AI领域核心论文，提供了深度理解及实际应用AI最新进展的途径。内容涵盖深度学习、机器学习、计算机视觉等领域，为您揭示科技最前沿动态，促进技术革新。

PyTorch Geometric是一个基于PyTorch的图形神经网络库，旨在简化结构化数据的建模与训练流程。支持小批量和大规模图的处理，并提供全面的GPU加速、数据管道处理以及常用基准数据集。这使得它成为机器学习研究者和初学者理想的选择。

CVPR 2024的论文和代码集锦，涵盖3D建模、机器学习、视觉感知等多种计算机视觉领域，为研究人员和技术开发者提供一站式检索最新科研成果与实用工具。

ML-Notebooks为不同的机器学习任务和应用提供了一系列精简且易于扩展的笔记本。项目整合了Codespaces技术，用户仅需几步简单配置，便可启动一个配备完整依赖项的开发环境，非常适合教育和研究使用。从基础入门到深入探索如PyTorch、GNN及GANs等前沿技术，应有尽有。

AiLearning-Theory-Applying项目提供人工智能领域的全面学习资源，覆盖基础知识、机器学习、深度学习及自然语言处理。项目持续更新，附带详尽注释和数据集，便于理解与操作，助力初学者及研究人员迅速掌握AI理论及应用实践。

项目包含多个IPython笔记本，详解Python及其数据科学库例如TensorFlow、Scikit-learn与NumPy的使用，覆盖数据处理、统计分析到机器学习等多个应用场景。

'Awesome Deep Learning Papers' 提供的是一份经精心策划的文献列表，囊括了2012至2016年间在深度学习领域中引用率最高的研究论文。覆盖从图像处理到自然语言处理等众多研究领域，旨在为研究人员与技术爱好者提供启发思考与深入了解的必读材料。

探索2020年AI研究的顶尖成果。本页面提供从计算机视觉到自然语言处理的最新AI研究论文，每篇论文均配有清晰视频讲解及深度分析链接，同时提供开源代码下载，助您深入了解AI技术如何塑造未来。

awesome-AI-books聚集了包括AI基础理论、数学、深度学习等多方面的书籍和PDF资源。详尽的章节覆盖了数据挖掘、机器学习实战与最新学术研究，为初学者到研究者的AI学习提供综合性帮助。

该项目汇总了斯坦福CS 229机器学习课程的重要概念，包括各机器学习领域的备忘单、课程先修知识的要点及模型训练技巧。这些资料为学习者提供了一个全面的知识库，便于随时复习核心内容。无论是有监督学习、无监督学习，还是深度学习，这里都提供了详细的备忘单。

best_AI_papers_2021项目精选2021年AI领域的关键研究，涵盖从伦理到技术实用性的多方面进展。探索每项研究的创新及其未来影响，包括视频讲解与相关代码。

该项目提供了一条有序的深度学习论文阅读路径，覆盖从基础到前沿技术的多个阶段。涵盖图像识别到语音识别等多个领域的关键论文，并提供直观的阅读指导和详细分类，以助力读者全面理解深度学习。适用于学术研究者和行业开发者。

CNTK，微软的开源深度学习工具包，支持多种模型，包括DNN、CNN和RNN。具备自动微分和GPU并行化等高级功能，简化开发和训练流程，并完美支持ONNX，兼容多种AI框架。

🐸TTS库提供多达16种语言的高级文本到语音转换模型，支持低于200毫秒的流媒体延迟。它包含丰富的工具用于模型训练和微调，并且拥有超过1100种预训练模型，适用于多语言和多说话人TTS任务。此外，该库还支持高效的语料库分析和管理，为语音合成提供全面支持。