Inicio Proyectos Paper-Implementations
Paper-Implementations
Python

Paper-Implementations

Usa PyTorch para implementar algunos marcos clásicos

por sunshineatnoon · GitHub
Estrellas
Ramas
Creado
Último commit
Categoría
Lenguaje
computer-visiondeep-learningpytorchPython
Ver en GitHub
En palabras simples

Implementa modelos clásicos de aprendizaje automático utilizando PyTorch para varias tareas.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
Paper-Implementations — GitHub preview card
📈 Historial de estrellas
623622
2026-07-202026-08-31
📈 Sigue Paper-Implementations

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Usa PyTorch para implementar algunos marcos clásicos

Paper-Implementations tiene 622 estrellas en GitHub. Se ha bifurcado 197 veces. Paper-Implementations está escrito principalmente en Python. Se desarrolla activamente desde 2017. Sus temas principales son: computer-vision, deep-learning, pytorch.

Frequently asked questions

¿Qué es Paper-Implementations?

Usa PyTorch para implementar algunos marcos clásicos

¿Paper-Implementations es de código abierto?

Paper-Implementations es un proyecto de código abierto.

¿Paper-Implementations es gratis?

Sí. Paper-Implementations es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿En qué lenguaje está escrito Paper-Implementations?

Paper-Implementations está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — Paper-Implementations

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=sunshineatnoon-paper-implementations)](https://olud.ai/project/sunshineatnoon-paper-implementations.html)
Más opciones de distintivos →
🧬 Comparte ADN con

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.