Awesome-Parameter-Efficient-Transfer-Learning
Une collection d'articles sur l'apprentissage par transfert efficace en paramètres se concentrant sur la vision par ordinateur et les domaines multimodaux.
Explorer une collection d'articles de recherche sur des méthodes efficaces pour transférer l'apprentissage en vision par ordinateur.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUne collection d'articles sur l'apprentissage par transfert efficace en paramètres se concentrant sur la vision par ordinateur et les domaines multimodaux.
Awesome-Parameter-Efficient-Transfer-Learning compte 412 étoiles sur GitHub. Il a été forké 25 fois. Il est développé activement depuis 2022. Awesome-Parameter-Efficient-Transfer-Learning est disponible sous licence MIT. Ses principaux thèmes sont : computer-vision, deep-learning, machine-learning, multimodal-deep-learning.
Qu'est-ce que Awesome-Parameter-Efficient-Transfer-Learning ?
Une collection d'articles sur l'apprentissage par transfert efficace en paramètres se concentrant sur la vision par ordinateur et les domaines multimodaux.
Awesome-Parameter-Efficient-Transfer-Learning est-il open source ?
Awesome-Parameter-Efficient-Transfer-Learning est un projet open source. Il est distribué sous licence MIT.
Awesome-Parameter-Efficient-Transfer-Learning est-il gratuit ?
Oui. Awesome-Parameter-Efficient-Transfer-Learning est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est Awesome-Parameter-Efficient-Transfer-Learning ?
Awesome-Parameter-Efficient-Transfer-Learning est disponible sous licence MIT.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/jianghaojun-awesome-parameter-efficient-transfer-learning.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.