PyTorch Hub
研究人員專區

HybridNets - 端到端感知網路

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

在 Kinetics 400 資料集上預先訓練的 SlowFast 網路

在 Kinetics 400 資料集上預先訓練的 X3D 網路

在 BDD100K 資料集上預先訓練的 YOLOP

用於從單一圖像計算相對深度的 MiDaS 模型。

使用這種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 的效能。

用於從梅爾頻譜圖產生波形的 HiFi GAN 模型

Once-for-all (OFA) 解耦了訓練和搜尋，並在各種邊緣裝置和資源限制下實現了高效的推論。

音樂源分離的參考實作

一套適用於多種語言的精巧型企業級預訓練語音轉文字模型。

一套適用於多種語言的精巧型企業級預訓練文字轉語音模型

預訓練語音活動檢測器

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

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資料訓練的 ResNext 模型。

適用於 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

在「用於圖像分類的數十億規模半監督學習」論文中介紹的 ResNet 和 ResNext 模型

熱門 NLP Transformer 的 PyTorch 實作

具有批次正規化的 U-Net 用於生物醫學圖像分割，具有腦部 MRI 異常分割的預訓練權重

EfficientNets 是一系列圖像分類模型，它們實現了最先進的準確性，同時在數量級上更小、更快....

使用 Tensor Core 以混合精度訓練的 ResNet50 模型。

ResNet，其瓶頸 3x3 卷積被 3x3 分組卷積取代，並使用 Tensor Core 以混合精度進行訓練。

ResNeXt 添加了 Squeeze-and-Excitation 模組，並使用 Tensor Core 以混合精度進行訓練。

用於物件偵測的 Single Shot MultiBox Detector 模型

用於從文字生成梅爾頻譜圖的 Tacotron 2 模型

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

一種穩健優化的 BERT 預訓練方法

2012 年 ImageNet 冠軍的 top-5 錯誤率為 15.3%，比亞軍低了 10.8 個百分點以上。

Dense Convolutional Network (DenseNet)，以feed-forward（前饋）方式將每一層連接到所有其他層。

使用 ResNet-50 和 ResNet-101 作為骨幹網路的全卷積網路模型 (Fully-Convolutional Network)

通過低成本操作生成更多特徵的高效網路

GoogLeNet 基於一種名為 "Inception" 的深度卷積神經網路架構，該架構贏得了 2014 年 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，是 2015 年以來在 ImageNet 上訓練的著名卷積神經網路 (ConvNet)

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設計 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，更高效和準確

一種針對速度和記憶體進行優化的高效 ConvNet，在 ImageNet 上進行了預訓練

受大腦啟發的多層感知器，帶有脈衝神經元

達到 Alexnet 等級的準確性，但參數減少了 50 倍。

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

寬殘差網路

讓我們保持簡單，使用簡單的架構來超越更深層和更複雜的架構