Densenet – PyTorch

SqueezeNet – PyTorch

AI 模型

深度卷积神经网络模型，可通过 PyTorch 使用。它在实现 AlexNet 级别准确率的同时，参数量和模型尺寸显著减少，使其在各种计算机视觉任务中效率很高。该模型在 ImageNet 上进行了预训练，可以轻松集成到 PyTorch 项目中。SqueezeNet 是一个深度卷积神经网络模型，可通过 PyTorch 使用。它在实现 AlexNet 级别准确率的同时，参数量和模型尺寸显著减少，使其在各种计算机视觉任务中效率很高。该模型在 ImageNet 上进行了预训练，可以轻松集成到 PyTorch 项目中。

RepVGG

AI GitHub 仓库

强大而简单的卷积神经网络 (ConvNet) 架构，可在 ImageNet 上实现高精度。它采用了 VGG 风格的设计并结合了重参数化技术，从而实现了高效的推理。该项目提供了预训练模型、训练代码以及用于各种计算机视觉任务的示例。RepVGG 是一种强大而简单的卷积神经网络 (ConvNet) 架构，可在 ImageNet 上实现高精度。它采用了 VGG 风格的设计并结合了重参数化技术，从而实现了高效的推理。该项目提供了预训练模型、训练代码以及用于各种计算机视觉任务的示例。

ShuffleNet 系列

AI GitHub 仓库

ShuffleNet 系列存储库提供了一系列高效的卷积神经网络模型，专为移动设备和资源受限环境设计。它包含 ShuffleNetV1、ShuffleNetV2 和专用变体等多个版本，以及神经架构搜索和目标检测骨干网络的工具。

特征金字塔网络

AI 模型

通过利用深度卷积网络的金字塔结构，以极低的计算开销生成多尺度特征图，从而增强目标检测能力。该架构提高了对各种尺寸目标的检测精度，为实时检测任务提供了实用且高效的解决方案。特征金字塔网络 (FPN) 通过利用深度卷积网络的金字塔结构，以极低的计算开销生成多尺度特征图，从而增强目标检测能力。该架构提高了对各种尺寸目标的检测精度，为实时检测任务提供了实用且高效的解决方案。

用于表格数据的深度学习模型

AI GitHub 仓库

此 GitHub 存储库提供了 NeurIPS 2021 论文“重新审视表格数据的深度学习模型”的官方实现。它探讨了用于表格数据的深度学习架构，强调了 MLP 类模型作为强大的基线，并引入了 FT-Transformer 作为 Transformer 架构的强大改编。

DeepGCNs

AI GitHub 仓库

该 GitHub 仓库提供了 DeepGCNs、DeeperGCN 和 GNN1000 的 PyTorch 实现。它通过借鉴 CNN 的残差连接和空洞卷积等概念，实现了非常深层的图卷积网络训练，从而促进了图神经网络的研究。

Xception

AI 模型

深度学习模型，可通过 Keras 3 API 使用。它是 Keras Applications 的一部分，为各种计算机视觉任务提供预训练模型。Xception 专为图像分类及相关应用而设计，为构建先进的 AI 系统奠定了坚实的基础。Xception 是一个深度学习模型，可通过 Keras 3 API 使用。它是 Keras Applications 的一部分，为各种计算机视觉任务提供预训练模型。Xception 专为图像分类及相关应用而设计，为构建先进的 AI 系统奠定了坚实的基础。

PyTorch MADE

AI GitHub 仓库

该存储库提供了 MADE（掩码自编码器密度估计）的 PyTorch 实现。它通过掩码多层感知机 (MLP) 中的连接，将自编码器转变为自回归密度模型。该代码支持高效的似然评估和采样，并提供了二值化 MNIST 的示例。