continual-learning
Implementación en PyTorch de varios métodos para aprendizaje continuo (XdG, EWC, SI, LwF, FROMP, DGR, BI-R, ER, A-GEM, iCaRL, Clasificador Generativo) en tres escenarios diferentes.
Realiza experimentos sobre aprendizaje continuo con redes neuronales profundas, centrándote en aprender tareas secuencialmente a lo largo del tiempo.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasImplementación en PyTorch de varios métodos para aprendizaje continuo (XdG, EWC, SI, LwF, FROMP, DGR, BI-R, ER, A-GEM, iCaRL, Clasificador Generativo) en tres escenarios diferentes.
continual-learning tiene 1.9k estrellas en GitHub. Se ha bifurcado 346 veces. continual-learning está escrito principalmente en Jupyter Notebook. Se desarrolla activamente desde 2018. continual-learning está disponible bajo la licencia MIT. Sus temas principales son: artificial-neural-networks, class-incremental-learning, continual-learning, deep-learning.
¿Qué es continual-learning?
Implementación en PyTorch de varios métodos para aprendizaje continuo (XdG, EWC, SI, LwF, FROMP, DGR, BI-R, ER, A-GEM, iCaRL, Clasificador Generativo) en tres escenarios diferentes.
¿continual-learning es de código abierto?
continual-learning es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿continual-learning es gratis?
Sí. continual-learning es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está continual-learning?
continual-learning está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito continual-learning?
continual-learning está escrito principalmente en Jupyter Notebook.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/gmvandeven-continual-learning.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.