Startseite Projekte TimeSformer-pytorch
TimeSformer-pytorch
Python

TimeSformer-pytorch

Implementierung von TimeSformer von Facebook AI, einer rein auf Aufmerksamkeit basierenden Lösung für die Video-Klassifizierung

von lucidrains · GitHub
Sterne
Forks
Lizenz
Erstellt
Letzter Commit
Sprache
artificial-intelligenceattention-mechanismdeep-learningMITPython
Auf GitHub ansehen
In einfachen Worten

Klassifizieren Sie Videos mithilfe eines auf Aufmerksamkeit basierenden Modells, das sich auf Zeit und Raum konzentriert, um die Genauigkeit zu verbessern.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
TimeSformer-pytorch — GitHub preview card
📈 Sternhistorie
730729
2026-07-202026-08-31
📈 TimeSformer-pytorch verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

Implementierung von TimeSformer von Facebook AI, einer rein auf Aufmerksamkeit basierenden Lösung für die Video-Klassifizierung

TimeSformer-pytorch hat 729 Sterne auf GitHub. Es wurde 89-mal geforkt. TimeSformer-pytorch ist hauptsächlich in Python geschrieben. Es wird seit 2021 aktiv entwickelt. TimeSformer-pytorch ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: artificial-intelligence, attention-mechanism, deep-learning, transformers.

Frequently asked questions

Was ist TimeSformer-pytorch?

Implementierung von TimeSformer von Facebook AI, einer rein auf Aufmerksamkeit basierenden Lösung für die Video-Klassifizierung

Ist TimeSformer-pytorch Open Source?

TimeSformer-pytorch ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.

Ist TimeSformer-pytorch kostenlos?

Ja. TimeSformer-pytorch ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht TimeSformer-pytorch?

TimeSformer-pytorch ist unter der MIT-Lizenz verfügbar.

In welcher Sprache ist TimeSformer-pytorch geschrieben?

TimeSformer-pytorch ist hauptsächlich in Python geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — TimeSformer-pytorch

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=lucidrains-timesformer-pytorch)](https://olud.ai/project/lucidrains-timesformer-pytorch.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →
x-transformers
Ein prägnanter, aber vollständiger Full-Attention-Transformer mit einer Reihe vielversprechende…
5.9k · artificial-intelligence
teiltattention-mechanismtransformers
flamingo-pytorch
Implementierung von 🦩 Flamingo, dem hochmodernen Few-Shot Visual Question Answering Attention-N…
1.3k · artificial-intelligence
teiltattention-mechanismtransformers
PaLM-pytorch
Implementierung der spezifischen Transformer-Architektur von PaLM - Scaling Language Modeling w…
825 · artificial-general-intelligence
teiltattention-mechanismtransformers
MultiModalMamba
Eine neuartige Implementierung, die ViT mit Mamba zu einem schnellen, agilen und leistungsstark…
473 · ai
teiltattention-mechanism
sign-language-translator
Python-Bibliothek & Framework zum Erstellen benutzerdefinierter Übersetzer für Hörgeschädigte u…
359 · artificial-intelligence
teiltattention-mechanism
Star-Attention
Effiziente LLM-Inferenz über lange Sequenzen
392 · attention-mechanism
teiltattention-mechanism
Natural_Language_Processing_with_Transformers
Natural Language Processing with Transformers 中译本,最权威Transformers教程
574 · bert
teilttransformers
reformer-pytorch
Reformer, der effiziente Transformer, in Pytorch
2.2k · artificial-intelligence
teiltattention-mechanism
fromthetensor
Vom Tensor zu Stable Diffusion, ein grober Umriss für einen 10-wöchigen Kurs.
1.1k · deep-learning
teilttransformers
nndl
邱锡鹏《神经网络与深度学习》(蒲公英书)理论书 v2 与通识版
19k · attention-mechanism
teiltattention-mechanism

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.