Densenet – PyTorch

SqueezeNet – PyTorch

AI モデル

PyTorchで利用可能なディープ畳み込みニューラルネットワークモデルです。AlexNetと同等の精度を、はるかに少ないパラメータ数と小さいモデルサイズで実現しており、様々なコンピュータビジョンタスクに効率的です。このモデルはImageNetで事前学習済みであり、PyTorchプロジェクトに簡単に統合できます。SqueezeNetは、PyTorchで利用可能なディープ畳み込みニューラルネットワークモデルです。AlexNetと同等の精度を、はるかに少ないパラメータ数と小さいモデルサイズで実現しており、様々なコンピュータビジョンタスクに効率的です。このモデルはImageNetで事前学習済みであり、PyTorchプロジェクトに簡単に統合できます。

RepVGG

AI GitHub リポジトリ

ImageNetで高い精度を達成する、強力かつシンプルなConvNetアーキテクチャです。VGGスタイルの設計に再パラメータ化技術を採用し、効率的な推論を可能にします。このプロジェクトでは、事前学習済みモデル、トレーニングコード、および様々なコンピュータビジョンタスクのためのサンプルを提供しています。RepVGGは、ImageNetで高い精度を達成する、強力かつシンプルなConvNetアーキテクチャです。VGGスタイルの設計に再パラメータ化技術を採用し、効率的な推論を可能にします。このプロジェクトでは、事前学習済みモデル、トレーニングコード、および様々なコンピュータビジョンタスクのためのサンプルを提供しています。

ShuffleNet シリーズ

AI GitHub リポジトリ

ShuffleNet シリーズリポジトリは、モバイルデバイスやリソースが制約された環境向けに設計された、非常に効率的な畳み込みニューラルネットワークモデルのコレクションを提供します。これには、ニューラルアーキテクチャ検索や物体検出バックボーン用のツールと共に、ShuffleNetV1、ShuffleNetV2、および特殊なバリアントなどの様々なバージョンが含…

Feature Pyramid Networks

AI モデル

計算オーバーヘッドを最小限に抑えながら、ディープ畳み込みネットワークからマルチスケール特徴マップを生成することで、物体検出を強化します。このアーキテクチャは、さまざまなサイズの物体に対する精度を向上させ、リアルタイム検出タスクに実用的かつ効率的なソリューションを提供します。Feature Pyramid Networks (FPN)は、計算オーバーヘッドを最小限に抑えながら、ディープ畳み込みネットワークからマルチスケール特徴マップを生成することで、物体検出を強化します。このアーキテクチャは、さまざまなサイズの物体に対する精度を向上させ、リアルタイム検出タスクに実用的かつ効率的なソリューションを提供します。

表形式データのためのディープラーニングモデル

AI GitHub リポジトリ

このGitHubリポジトリは、NeurIPS 2021の論文「Revisiting Deep Learning Models for Tabular Data」の公式実装を提供します。表形式データのためのディープラーニングアーキテクチャを探求し、MLPライクなモデルを強力なベースラインとして強調し、Transformerアーキテクチャの強力な適応であるFT-…

DeepGCNs

AI GitHub リポジトリ

このGitHubリポジトリは、DeepGCNs、DeeperGCN、GNN1000のPyTorch実装を提供します。残差接続や拡張畳み込みなどのCNNの概念を適応させることで、非常に深いグラフ畳み込みネットワークのトレーニングを可能にし、グラフニューラルネットワークの研究を促進します。

Xception

AI モデル

Keras 3 APIを通じて利用可能な深層学習モデルです。Keras Applicationsの一部として、様々なコンピュータビジョンタスク向けの事前学習済みモデルを提供します。Xceptionは画像分類および関連アプリケーション向けに設計されており、高度なAIシステムの構築のための堅牢な基盤を提供します。Xceptionは、Keras 3 APIを通じて利用可能な深層学習モデルです。Keras Applicationsの一部として、様々なコンピュータビジョンタスク向けの事前学習済みモデルを提供します。Xceptionは画像分類および関連アプリケーション向けに設計されており、高度なAIシステムの構築のための堅牢な基盤を提供します。

PyTorch MADE

AI GitHub リポジトリ

このリポジトリは、MADE (Masked Autoencoder Density Estimation) の PyTorch 実装を提供します。MLP の接続をマスキングすることで、オートエンコーダーを自己回帰型密度モデルに変換できます。このコードは、二値化 MNIST の例とともに、効率的な尤度評価とサンプリングを可能にします。