Accueil Projets TimeSformer-pytorch
TimeSformer-pytorch
Python

TimeSformer-pytorch

Implémentation de TimeSformer de Facebook AI, une solution purement basée sur l'attention pour la classification vidéo

par lucidrains · GitHub
Étoiles
Forks
Licence
Créé
Dernier commit
Langue
artificial-intelligenceattention-mechanismdeep-learningMITPython
Voir sur GitHub
En termes simples

Classifiez les vidéos à l'aide d'un modèle basé sur l'attention qui se concentre sur le temps et l'espace pour une précision améliorée.

Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →
TimeSformer-pytorch — GitHub preview card
📈 Historique des étoiles
730729
2026-07-202026-08-31
📈 Suivez TimeSformer-pytorch

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment
Recevoir des alertes e-mail →
📄 À propos

Implémentation de TimeSformer de Facebook AI, une solution purement basée sur l'attention pour la classification vidéo

TimeSformer-pytorch compte 729 étoiles sur GitHub. Il a été forké 89 fois. TimeSformer-pytorch est écrit principalement en Python. Il est développé activement depuis 2021. TimeSformer-pytorch est disponible sous licence MIT. Ses principaux thèmes sont : artificial-intelligence, attention-mechanism, deep-learning, transformers.

Frequently asked questions

Qu'est-ce que TimeSformer-pytorch ?

Implémentation de TimeSformer de Facebook AI, une solution purement basée sur l'attention pour la classification vidéo

TimeSformer-pytorch est-il open source ?

TimeSformer-pytorch est un projet open source. Il est distribué sous licence MIT.

TimeSformer-pytorch est-il gratuit ?

Oui. TimeSformer-pytorch est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.

Sous quelle licence est TimeSformer-pytorch ?

TimeSformer-pytorch est disponible sous licence MIT.

Dans quel langage TimeSformer-pytorch est-il écrit ?

TimeSformer-pytorch est écrit principalement en Python.

🏅 Mainteneur de ce projet ?
olud.ai badge — TimeSformer-pytorch

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![olud.ai](https://olud.ai/badge.php?tool=lucidrains-timesformer-pytorch)](https://olud.ai/project/lucidrains-timesformer-pytorch.html)
Plus d'options de badge →
🧬 Partage son ADN avec🧬 Voir la cartographie ADN →
x-transformers
Un transformateur complet mais concis avec un ensemble de fonctionnalités expérimentales promet…
5.9k · artificial-intelligence
partageattention-mechanismtransformers
flamingo-pytorch
Implémentation de 🦩 Flamingo, un réseau d'attention de question-réponse visuelle à quelques exe…
1.3k · artificial-intelligence
partageattention-mechanismtransformers
PaLM-pytorch
Implémentation de l'architecture Transformer spécifique de PaLM - Scaling Language Modeling wit…
825 · artificial-general-intelligence
partageattention-mechanismtransformers
MultiModalMamba
Une nouvelle implémentation fusionnant ViT avec Mamba en un modèle multimodal rapide, agile et…
473 · ai
partageattention-mechanism
sign-language-translator
Bibliothèque et cadre Python pour construire des traducteurs personnalisés pour les malentendan…
359 · artificial-intelligence
partageattention-mechanism
Star-Attention
Inférence LLM efficace sur de longues séquences
392 · attention-mechanism
partageattention-mechanism
Natural_Language_Processing_with_Transformers
Traitement du Langage Naturel avec Transformers 中译本,最权威Transformers教程
574 · bert
partagetransformers
reformer-pytorch
Reformer, le Transformer efficace, en Pytorch
2.2k · artificial-intelligence
partageattention-mechanism
fromthetensor
Du tenseur à Stable Diffusion, un aperçu grossier pour un cours de 10 semaines.
1.1k · deep-learning
partagetransformers
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
partageattention-mechanism

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.