PyTorch
Hub

HybridNets - 端到端感知網路

在 Kinetics 400 資料集上預訓練的 Resnet 風格影片分類網路

在 Kinetics 400 資料集上預訓練的 SlowFast 網路

在 Kinetics 400 資料集上預訓練的 X3D 網路

在 BDD100K 資料集上預訓練的 YOLOP

用於從單張影像計算相對深度的 MiDaS 模型。

使用此細粒度圖像分類器對鳥類進行分類

用於從文字生成梅爾頻譜圖的 FastPitch 模型

GPUNet 是一個新的卷積神經網路系列，旨在最大限度地提高 NVIDIA GPU 和 TensorRT 的性能。

用於從梅爾頻譜圖生成波形的 HiFi GAN 模型

Once-for-all (OFA) 將訓練和搜尋分離，並在各種邊緣裝置和資源限制下實現高效的推論。

音樂源分離的參考實作

一套適用於多種語言的精巧企業級預訓練 STT 模型。

一套適用於多種語言的精巧企業級預訓練 TTS 模型

預訓練的語音活動偵測器

用於物件偵測、實例分割和圖像分類的 Ultralytics YOLOv5 🚀。

具有 ResNet-50、ResNet-101 和 MobileNet-V3 骨幹的 DeepLabV3 模型

用於英法和英德翻譯的 Transformer 模型。

使用數十億規模的弱監督數據訓練的 ResNext 模型。

一個用於 64x64 圖像的簡單生成圖像模型

時尚、名人臉孔的高品質圖像生成

論文「用於圖像分類的十億規模半監督學習」中介紹的 ResNet 和 ResNext 模型

流行的 NLP Transformers 的 PyTorch 實作

U-Net，搭配批次正規化，用於生物醫學影像分割，並提供用於腦部 MRI 異常分割的預訓練權重

EfficientNets 是一系列的影像分類模型，它們達到了最先進的準確度，並且在體積和速度上都小了一個數量級....

使用 Tensor Cores 以混合精度訓練的 ResNet50 模型。

ResNet，其 bottleneck 3x3 卷積層被 3x3 分組卷積層取代，並使用 Tensor Cores 以混合精度訓練。

ResNeXt，添加了 Squeeze-and-Excitation 模組，並使用 Tensor Cores 以混合精度訓練。

用於物件偵測的 Single Shot MultiBox Detector 模型

用於從文本生成梅爾頻譜圖的 Tacotron 2 模型

用於從梅爾頻譜圖（由 Tacotron2 生成）生成語音的 WaveGlow 模型

一種穩健優化的 BERT 預訓練方法

2012 年 ImageNet 競賽的優勝者，其 top-5 錯誤率為 15.3%，比第二名低了超過 10.8 個百分點。

密集卷積網路 (DenseNet)，以 feed-forward 的方式將每一層連接到其他每一層。

具有 ResNet-50 和 ResNet-101 backbones 的全卷積網路模型

透過從廉價運算生成更多特徵來實現高效網路

GoogLeNet 基於一個代號為 "Inception" 的深度卷積神經網路架構，該架構贏得了 2014 年的 ImageNet 競賽。

在 ImageNet 上預訓練的 Harmonic DenseNet

具有領域/外觀不變性的網路

也稱為 GoogleNetv3，一個著名的 ConvNet，於 2015 年在 ImageNet 上訓練

使用知識蒸餾來提升微小且高效的模型。

針對速度和記憶體進行優化的高效網路，具有殘差塊

為不同的硬體平台專門化 CNN 架構，無需代理。

一種新的 ResNet 變體。

在 ImageNet 上預訓練的深度殘差網路

下一代 ResNets，更高效且更準確

針對速度和記憶體進行優化的高效 ConvNet，在 ImageNet 上預訓練

受大腦啟發的具有尖峰神經元的 Multilayer Perceptron

達到 Alexnet 等級的準確度，但參數減少了 50 倍。

在 2014 年 ImageNet ILSVRC 挑戰賽中獲獎的 ConvNets

Wide Residual Networks

保持簡單，使用簡單的架構來超越更深層和更複雜的架構