#神经网络

DeiT小型模型是一种基于Transformer架构的图像分类模型，在ImageNet-1k数据集上训练。该模型采用注意力蒸馏技术，拥有2210万参数，适用于224x224像素图像输入。除图像分类外，它还可用于特征提取。模型通过timm库提供预训练权重，便于加载和推理。其数据效率和蒸馏技术使其在计算机视觉领域表现出色。

ldm-super-resolution-4x-openimages项目利用潜在扩散模型技术实现图像超分辨率处理。该项目在预训练自编码器的潜在空间中应用扩散模型，平衡了计算资源消耗与图像细节保留。项目支持图像4倍放大，并提供了完整的推理pipeline，适用于图像修复、无条件生成和语义场景合成等任务。

ELECTRA是一种自监督语言表示学习方法，采用判别器替代传统生成器架构进行预训练。该模型可在单GPU环境运行，通过区分真实和生成的输入标记进行训练。在SQuAD 2.0等基准测试中取得了显著成果，支持分类、问答和序列标注等下游任务的微调。

该法德翻译模型基于transformer-align架构，使用OPUS数据集训练。模型在多个测试集上表现出色，Tatoeba测试集达49.1 BLEU分，新闻领域测试集普遍达22-28 BLEU分，在euelections_dev2019测试集上达26.4 BLEU分。采用normalization和SentencePiece预处理，适用于新闻、政治等多领域翻译。模型权重和测试集翻译结果可供下载使用。

VideoMAE是一个基于MAE架构的视频分析模型，采用Vision Transformer结构。经过1600轮自监督预训练和有监督微调，该模型在Kinetics-400数据集上实现了80.9%的top-1准确率和94.7%的top-5准确率。模型将视频切分为16x16的图像块进行处理，支持400种视频类别的分类任务，可应用于视频内容分析和行为识别等领域。

zephyr-7b-sft-full是基于Mistral-7B-v0.1的微调语言模型，利用HuggingFaceH4/ultrachat_200k数据集训练而成。该项目采用多GPU分布式训练，结合Adam优化器和余弦学习率调度，在评估集上实现0.9353的损失值。模型基于Transformers 4.36.2框架和PyTorch 2.1.2环境开发，旨在提供高效的语言处理功能。

tiny-mistral是一个基于Mistral架构的随机初始化模型，专为端到端测试设计。该项目提供了一个轻量级版本，使开发者能够在无需完整预训练模型的情况下进行快速验证和调试。这一工具简化了AI模型的开发和优化流程，为研究人员和工程师提供了便捷的测试环境。

基于XCiT（Cross-Covariance Image Transformer）架构开发的图像分类模型，在ImageNet-1k数据集上完成预训练。模型包含670万参数量，GMACs为4.8，支持224x224图像输入分辨率。通过跨协方差注意力机制实现图像特征表示，可用于图像分类和特征提取。模型已集成到timm库中，支持top-k分类预测和特征向量提取功能。

VGG16是一个经典的深度学习图像分类模型，基于ImageNet-1k数据集训练而成。模型包含1.384亿个参数，处理224x224像素输入图像，支持图像分类、特征图提取和图像嵌入等功能。借助timm库可实现模型的快速部署，广泛应用于计算机视觉领域。

EuroLLM-1.7B-Instruct是一个欧盟支持开发的大语言模型,具备17亿参数规模,可处理包括欧盟在内的35种语言。模型在机器翻译性能方面超越同规模的Gemma-2B模型,接近更大规模的Gemma-7B水平。采用transformer架构和分组查询机制,实现高效推理。这是欧盟首个面向多语言处理的开源语言模型项目。

这是一个基于Mistral-7B-v0.1的模型扩展，采用YaRN方法完成1500步长文本预训练，将上下文窗口扩展至128K tokens。模型在长短文本处理方面保持稳定表现，通过ARC-c、Hellaswag、MMLU和Truthful QA等基准测试验证，适用于长文本处理场景。

Inception-v4是一个在ImageNet-1k数据集上预训练的深度学习模型，参数量为4270万，支持299x299图像输入。通过timm库可实现图像分类、特征图提取和图像嵌入等核心功能。该模型从TensorFlow移植至PyTorch，适用于计算机视觉领域的各类图像处理任务。

ConViT是一个在ImageNet-1k数据集上训练的图像分类模型，结合了CNN和Transformer优势。模型参数量2780万，支持224x224图像输入，可用于分类和特征提取任务。模型提供预训练权重，适用于多种计算机视觉应用场景。

Dreamshaper SDXL-1.0是基于Stable Diffusion XL 1.0开发的微调模型，支持文本生成艺术和写实风格图像。模型集成了动漫和写实等多种图像风格，可通过Diffusers库实现快速部署。适用场景包括艺术创作、设计和视觉内容生成等领域。

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。

larger_clap_music_and_speech是一个针对音乐和语音优化的CLAP模型。它结合SWINTransformer和RoBERTa处理音频和文本特征，实现潜在空间的特征映射。该模型支持零样本音频分类和特征提取，可在CPU和GPU上运行。作为音频理解和分析的有力工具，它在音乐识别和语音处理等领域具有广泛应用前景。

pretrained-xlmR-food是一个基于XLM-RoBERTa的多语言食品文本分类模型。该模型可处理多种语言的食品描述、评论和标签，适用于食品安全分析、菜单分类等场景。项目提供了模型使用指南和性能评估结果，便于研究人员和开发者快速应用。

基于EfficientNet架构开发的图像分类模型，采用Noisy Student半监督学习方法，结合ImageNet-1k和JFT-300m数据集进行训练。模型支持800x800分辨率输入，包含4.8亿参数，可用于图像分类、特征提取和嵌入向量生成。借助timm库实现模型的快速部署，适用于各类图像识别任务。

CLIP ConvNeXt-XXLarge是一个在LAION-2B数据集上训练的大规模视觉语言模型，总参数量12亿，图像分辨率256x256。模型采用ConvNeXt-XXLarge图像结构和ViT-H-14规模的文本编码器，在ImageNet零样本分类上达到79%准确率。主要应用于图像分类、检索等研究任务。

该模型是基于Whisper Large V3架构，专为俄语语音识别优化。在Podlodka.io数据集上，含标点和大写的字错误率(WER)为20.91%，不含标点的WER为10.987%。在Russian Librispeech数据集上，不含标点的WER达到9.795%。模型经过taiga_speech_v2、podlodka_speech和rulibrispeech等多个俄语数据集训练，适用于各种俄语语音识别场景。

xcit_nano_12_p8_224.fb_in1k采用跨协方差图像转换器（XCiT）架构，是一个参数量为3.0M的轻量级图像分类模型。模型在ImageNet-1k数据集上完成预训练，支持224x224尺寸的图像输入，可应用于图像分类和特征提取。模型通过跨协方差注意力机制降低计算复杂度，适合实际部署应用。

Nous Hermes 2 Mixtral 8x7B SFT - AWQ由NousResearch开发，采用AWQ低比特量化技术，提供快速且精确的推理能力。支持4位量化的AWQ大幅提升了Transfomers推理速度，与GPTQ设定相比，保证了等同或更佳的质量表现。在Linux和Windows系统的NVIDIA GPU上运行良好，macOS用户建议使用GGUF模型。该模型结合来自多种开放数据集的百万条目数据，通过GPT-4生成数据进行训练，实现多项任务的业界领先性能，兼容Text Generation Webui、vLLM和Hugging Face TGI等多个平台，适用于不同环境下的高性能推理。

FastViT是Apple开源的混合视觉Transformer模型，基于结构重参数化技术构建。模型在ImageNet-1k数据集训练，参数量4410万，支持256x256图像输入。主要功能包括图像分类、特征图提取和图像嵌入表示。通过混合架构设计，在保证准确率的基础上优化了计算效率。

opus-mt-tc-big-zls-en是一个基于神经网络的机器翻译模型，用于南斯拉夫语系（zls）到英语（en）的翻译任务。作为OPUS-MT项目的组成部分，该模型采用Marian NMT框架开发，并已转换为PyTorch格式。模型支持包括保加利亚语、波斯尼亚语、克罗地亚语、马其顿语、斯洛文尼亚语和塞尔维亚语在内的多种南斯拉夫语言，可应用于相关语言的翻译工作。

tiny-random-idefics2是一个基于Idefics2架构构建的轻量级模型，集成Mistral文本处理和Idefics2视觉处理功能。通过简化的网络结构设计，包括最小化隐藏层和注意力层，实现了高效的多模态交互能力。该项目基于Transformers框架开发，已开源部署于Hugging Face平台，主要服务于原型验证和功能测试场景。

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。

AMD-Llama-135m是一个基于LLama2架构的135M参数语言模型，在AMD Instinct MI250加速器上训练。该模型与huggingface transformers兼容，并使用LLama2相同的分词器。模型可独立使用，也可作为LLama2和CodeLlama的推理加速辅助模型。经SlimPajama和Project Gutenberg数据集预训练，以及StarCoder Python代码数据集微调后，模型在多项NLP基准测试中表现优异。通过推理加速技术，吞吐量可提升至3.88倍。

DPN131是基于Dual-Path Networks架构的图像分类模型，在ImageNet-1k数据集上训练。模型包含7930万参数，支持224x224图像输入，提供图像分类、特征图提取和图像嵌入功能。通过timm库可轻松加载使用，适用于多种计算机视觉任务。该模型由MXNet训练并移植到PyTorch，支持批量处理和特征提取。

该项目提供的神经机器翻译模型，支持从英语到塞尔维亚-克罗地亚语及其他语言的翻译。采用Marian NMT框架训练，使用transformers库转换为pyTorch格式。此模型由赫尔辛基大学开发，数据集来自OPUS项目，并采用SentencePiece进行预处理。适用于文本翻译和生成，包含代码示例与评估细节，遵循CC-BY-4.0许可。

通过对比语言音频预训练技术，CLAP模型实现高效的音频和文本特征提取和分类，适用于无监督学习环境。模型兼具SWINTransformer和RoBERTa的优点，可用来评估音频与文本间的相似性，且能满足多种音频分类和嵌入需求。

探索27B参数的无审查优化模型 大幅减少信息拒绝 提高复杂计算任务性能 支持多版本改进 包括GGUF和iMatrix 提供优质计算表现和精确度 提升模型应用体验

SmolLM-360M是一款拥有3.6亿参数的高效语言模型，基于Cosmo-Corpus数据集训练而成。该模型利用Cosmopedia v2合成教材、Python-Edu教育样本和FineWeb-Edu网络教育资源等高质量数据，在常识推理和世界知识等多项基准测试中表现出色。SmolLM-360M支持CPU/GPU部署，并提供8位和4位量化版本以优化内存使用。这款模型主要面向英语内容生成和理解，可作为AI辅助工具在多种场景中应用。

ELECTRA是一种自监督语言表示学习方法，用于优化Transformer网络的预训练。该模型在小规模下可用单GPU运行，并在大规模数据集如SQuAD 2.0上实现了优异表现。ELECTRA的训练方式借鉴了GAN中的判别器，通过区分真实与虚假输入令牌来学习。项目库提供了ELECTRA的预训练及下游任务精调代码，适用于分类、问答和序列标注等任务。

这款通过Unsloth技术的Google Colab笔记本集合，简化了Mistral、Gemma和Llama等AI模型的finetune过程。简单操作即可提高模型速度超过两倍，并显著降低内存占用，同时允许将优化的模型导出为GGUF、vLLM，或上传至Hugging Face，适合初学者使用。

ControlNet通过引入涂鸦图像等额外输入条件，为预训练的扩散模型提供条件控制，提升其生成能力。即使在训练数据集较少的情况下，该网络仍能保持良好的学习效果。模型支持在个人设备上训练，并可借助计算集群扩展到大规模数据集。此外，Stable Diffusion等扩散模型可与ControlNet结合，增强条件输入灵活性并拓展其应用领域。

deepseek-coder-6.7B-base是一个在2万亿token上训练的大规模代码语言模型。采用16K窗口大小和填空任务训练，支持项目级代码补全和填充。在多个编程语言基准测试中表现优异，擅长代码补全、生成和理解。模型由87%的代码和13%的中英文自然语言构成，可支持多语言编程任务。