#PyTorch

介绍如何在Jetson Nano上安装和配置Ubuntu 20.04操作系统，预装OpenCV、TensorFlow和Pytorch等核心深度学习工具。包括更新日志、安装步骤和下载链接，适合在Jetson Nano上运行AI模型的开发者。

这是一款易于下载和实用的1D、2D和3D正弦位置编码工具，适用于PyTorch和TensorFlow。支持处理(batchsize, x, ch)、(batchsize, x, y, ch)和(batchsize, x, y, z, ch)形式的张量，并在ch维度进行编码。该工具扩展了一维位置编码至多维，提供了详细的安装和使用指南，并在6.0.1版本后优化了代码导入方式。

modelvshuman是一个用于评估人类与机器视觉差距的Python工具箱。支持测试包括PyTorch和TensorFlow在内的多种模型，覆盖17个人类比较数据集。项目提供安装指南、示例代码、模型库和数据集加载方式，帮助快速入门并进行自定义模型评估。详细信息请访问项目主页。

AdaSeq是由阿里巴巴达摩院开发的一体化序列理解工具库，构建在ModelScope之上。支持词性标注、分块、命名实体识别、实体类型化、关系抽取等多种任务。提供丰富的前沿模型和训练方法，优于许多现有框架。该库使用简便，只需一行命令即可生成模型，支持自定义模型和数据集。适用于研究人员和开发者，项目处于快速开发阶段，并提供多语言、多领域的数据集和在线演示。

Merlin Dataloader 提供适用于 TensorFlow、PyTorch 和 JAX 的 GPU 优化数据加载器，大幅提升推荐模型的训练速度。优势包括速度提升超10倍、支持大于内存的数据集、每个周期的数据随机化及分布式训练。这些特点使其成为高效训练推荐模型的理想工具。

ReLoRA项目通过低秩更新实现高效深度学习训练，兼容Python 3.10+和PyTorch 2.0+，支持更大的微批次大小。用户可通过执行预处理和不同配置的训练脚本，达到高效分布式训练，并支持cosine重启调度和多GPU配置。项目涵盖了预热训练和ReLoRA重启，适用于各种规模的模型训练。

MMSegmentation是基于PyTorch的开源语义分割框架，提供模块化设计和统一基准，支持多种算法。最新v1.2.0版本新增开放词汇语义分割和单目深度估计功能，提升训练效率和快速部署体验。

TorchScale是一个PyTorch开源库，旨在帮助研究人员和开发者有效扩展Transformer模型。该库专注于开发基础模型和AGI架构，提升建模的通用性、能力以及训练的稳定性和效率。其关键功能包括DeepNet的稳定性、Foundation Transformers的通用性、可延展性的Transformer和X-MoE的效率。最新更新涉及LongNet和LongViT等创新架构，支持多种应用，如语言、视觉和多模态任务，用户仅需几行代码即可快速创建和调整模型。

MMDetection是一款专为目标检测、实例分割和全景分割任务设计的工具箱，采用模块化设计，支持多种检测任务，具备高效GPU运算能力。其性能与其他顶级代码库相媲美，且不断保持前沿。结合COCO挑战赛冠军经验，MMDetection提供先进的检测结果，并与MMEngine和MMCV无缝整合，进一步提升研究和应用效果。最新的RTMDet模型在参数-准确率优化及实时实例分割和旋转目标检测上表现出色。

该项目提供一系列使用PyTorch实现seq2seq模型的教程，特别是对德语到英语的翻译。教程涵盖了seq2seq网络的基础、编码器-解码器模型、注意机制以及使用spaCy进行数据分词，并提供了详细的代码和示例，帮助学习者深入理解和应用相关技术。

YOLOAir2024版发布，提供多模型支持及改进教程，包括YOLOv5、YOLOv7、YOLOv8等。通过统一框架和模块化实现模型多样化应用，如目标检测、实例分割、图像分类等，适用于科研与实际应用。免费提供源代码。

allRank是一个基于PyTorch的框架，旨在简化神经排序学习模型的实验。它提供多种损失函数和评分函数，并支持常用评估指标如NDCG和MRR。该框架支持添加自定义损失和配置模型与训练流程，适用于研究和工业应用。同时支持GPU和CPU架构，并集成了Google云存储功能。

Malaya是一个由PyTorch驱动的功能强大的马来西亚语自然语言处理库，提供预训练模型和详细文档。支持Python 3.6及以上版本，并建议通过virtualenv进行开发。用户可以方便地通过PyPI安装，并选择合适的PyTorch版本。项目得到了KeyReply、Nvidia和Tensorflow Research Cloud的支持，提供充足的计算资源。欢迎各类形式的贡献，不仅限于代码。

此开源项目提供了基于Torch FX的PyTorch模型转换和量化功能，支持转换为Caffe和ONNX格式。用户可以通过简单的安装和使用步骤实现模型的转换与保存。尽管该项目已停止维护，它仍然提供了详细的使用示例和说明，适合需要进行PyTorch模型转换的用户。

框架基于纯Python和PyTorch，提供从模型训练、测试到可视化和部署的全方位支持。特色包括多种主干网络、简洁易懂的代码、混合精度训练及ONNX和TensorRT的部署支持。该框架中模型训练速度快，性能优于其他实现，支持多种数据集和模型方法，为自动驾驶研究提供可靠的基准测试和高效工具。

提供丰富的图像分类主干网络，包括TinyViT、DeiT3、EdgeNeXt、RevVisionTransformer等，兼容Pytorch 1.7.1+及Python 3.6+。项目包含环境搭建、数据集准备、训练和评估的详细教程，适合科研和实际应用，提升图像分类模型性能。提供快速开始指南和预训练权重，帮助开发者高效部署与测试。

Conformer模型结合卷积神经网络和Transformers，能同时捕捉音频的局部和全局依赖关系，提高语音识别精度并节省参数。本项目提供该模型的PyTorch实现，包含详细的安装和使用指南，适用于Python 3.7及更高版本。

AlphaFold3通过基因扩散模型实现了生物分子相互作用结构的精确预测。该模型处理包括聚合物序列、残基修饰和配体smiles符号等多种输入数据，适用于预测多达1000个残基的蛋白质结构。独特的交叉蒸馏方法和信心评估机制减少了模型幻觉问题，增强了预测的可信度。用户可通过PyTorch和Docker容器便捷安装和运行该模型。

Determined平台兼容PyTorch和TensorFlow，提供分布式训练、超参数调优和资源管理，降低云端GPU成本并支持实验追踪分析和可复现性。通过Python库、命令行界面和Web用户界面，用户能够轻松构建和管理模型，支持本地和云端部署，包括AWS和GCP。丰富的文档和示例帮助快速上手，通过用户指南、社区支持和贡献者指南，确保完整平台功能的利用。

该项目提供易于使用和定制的SOTA语义分割模型，支持多种任务和数据集。适合高精度和定制应用场景，涵盖场景解析、人类解析、人脸解析等任务。特点包括多种主干网络和分割模型，支持PyTorch、ONNX、TFLite等框架的推理和导出。即将迎来重大更新，包括新的训练流程、预训练模型、教程和分布式训练支持。用户可通过详细文档和示例轻松使用并配置定制数据集，实现高效的语义分割。

Raster Vision是一个开源的Python库和框架，用于构建卫星、航空和其他大型影像集的计算机视觉模型。它支持芯片分类、目标检测和语义分割，后端采用PyTorch。作为低代码框架，它允许用户无需深度学习专业知识即可配置和运行机器学习管道，并支持通过AWS Batch和AWS Sagemaker在云端进行部署。用户可以通过pip或Docker镜像进行安装和使用。更多详情参阅官方文档。

本项目通过TensorRT加速YOLOv8模型，提供在CUDA环境下的快速部署和高效推理解决方案。包括环境准备、模型导出、引擎构建和多种推理方法，支持Python和C++语言。特性涵盖ONNX模型导出、端到端引擎构建和模型推理，适用于图像和视频的不同输入源。支持Jetson设备，并附有详细的文档和脚本，便于操作，提升深度学习应用性能。

详细介绍了如何使用PyTorch从零开始实现简单的Transformer模型，包含安装和使用指南，以及通过命令行控制超参数和数据自动下载的说明。

onnx2tflite工具实现从ONNX到TensorFlow Lite和Keras的快速高效模型转换。它具备高一致性，平均误差低于1e-5，速度比其他工具提高30%。支持自动转换PyTorch和TensorFlow格式，并能输出FP16和UINT8定量模型。用户还可以自定义操作符，提升模型转换和部署的灵活性。

nnmnkwii是一款专为快速构建语音合成系统而设计的库，支持原型设计。该库可通过PyPI安装，并提供稳定版和开发版文档。依赖于PyTorch实现自动求导功能，设计灵感源于Merlin和Librosa，功能强大且灵活。

OpenSTL是一个全面的时空预测学习基准，涵盖了从合成运动物体轨迹到人体运动、驾驶场景、交通流量和天气预报的多样任务。该框架模块化设计并具有良好的扩展性，支持PyTorch Lightning和原始PyTorch实现。其主要功能包括灵活的代码设计和标准基准，组织严密并易于使用。

Joey NMT框架专为教育而设计，提供简明和清晰的代码库，帮助初学者理解RNN和Transformer等经典NMT架构。其主要特点包括模块化设计，便于修改组件及训练流程，保持代码可读性。支持多个注意力机制、不同的分词类型和多语种翻译，包含详细的文档和教程，适用于模型训练、测试和翻译的各个阶段。最新版本引入分布式数据并行和多项优化，兼容最新的Python和PyTorch版本。

🤗 Exporters工具包旨在简化将Transformer模型转换为Core ML格式的过程，避免手动编写转换脚本。它与Hugging Face Transformers库紧密集成，并提供无代码转换体验，支持BERT和GPT-2等多种模型架构。工具包可在Linux和macOS平台上运行，利用coremltools实现从PyTorch或TensorFlow到Core ML的转换，并通过Hugging Face Hub进行模型管理，提升模型转换和部署的便捷性及灵活性。

HAT项目提供基于PyTorch的硬件感知Transformer，模型大小减小至原来的3.7倍，且性能无损。通过SuperTransformer搜索优化的SubTransformer，大幅降低搜索成本，并在不同硬件平台例如Raspberry Pi和Intel Xeon上实现显著加速。支持多种机器翻译任务，并提供预处理数据和预训练模型的直接下载。

该项目提供了DeepMind Flamingo的PyTorch开源实现，用于训练和评估多任务视觉语言模型。OpenFlamingo处理多模态数据集，通过跨模态注意力层结合预训练视觉编码器和语言模型，实现图像和文本条件下的文本生成。用户可通过详细的安装和使用指南快速上手，并访问多个预训练模型和权重。项目欢迎社区贡献和反馈，支持多种语言和视觉编码器，适用于多种应用场景。

本项目探索在单GPU上用一天时间预训练BERT语言模型的性能表现，旨在挑战当前以高算力为核心的趋势。通过调整预训练流程，展示了在严格计算限制下依然接近BERT性能，并分析不同改进对性能的影响。最新版本框架需要PyTorch 2.0，改善了数据预处理并提升了1-2% GLUE性能，提供了详细的代码运行和数据处理指南供研究和应用参考。

TransMorph是一个利用Transformer架构进行无监督医学图像配准的开源项目，结合了Vision Transformer和Swin Transformer技术。提供多个模型变体和多种损失函数，支持单模态和多模态配准，公开了训练脚本和预训练模型，并在MICCAI 2021 L2R挑战中表现出色。

TextPruner提供低成本且无需训练的方法来优化预训练语言模型，通过减少模型尺寸加快推理速度。兼容多种NLU模型，提供用户友好的接口，支持词汇、Transformer和流水线剪枝。用户可以方便地根据需求自定义配置。详细文档和实验结果支持，帮助用户快速上手并验证性能提升。适用于Python 3.7及以上版本，依赖torch和transformers库。

Fairseq 是一个序列建模工具包，适用于机器翻译和文本生成。支持多GPU训练，提供灵活配置和扩展能力，以及多种预训练模型和参考实现。内置束搜索和抽样等算法，支持混合精度训练和参数CPU卸载，为研究人员和开发人员提供高效解决方案。

Open-CD是一个基于开源通用视觉工具的变更检测工具箱，支持多种变更检测模型和数据集。项目提供详细文档和示例，支持PyTorch 2.0等工具，并在GitHub和Hugging Face上发布。最新技术报告已在arXiv上线，用户可从Colab教程快速上手，并有详细的安装、训练和测试指南。

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。