torch-conv-kan
Questo progetto è dedicato all'implementazione e alla ricerca di reti convoluzionali Kolmogorov-Arnold. Il repository include implementazioni di convoluzioni 1D, 2D e 3D con diversi kernel, modelli simili a ResNet e DenseNet, codice di addestramento basato su
Rileva e classifica segnali stradali nelle immagini utilizzando un modello di machine learning.
Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.
Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.
Gratis · senza carta · disdici quando vuoiQuesto progetto è dedicato all'implementazione e alla ricerca di reti convoluzionali Kolmogorov-Arnold. Il repository include implementazioni di convoluzioni 1D, 2D e 3D con diversi kernel, modelli simili a ResNet e DenseNet, codice di addestramento basato su
torch-conv-kan ha 531 stelle su GitHub. È stato forkato 44 volte. torch-conv-kan è scritto principalmente in Python. È in sviluppo attivo dal 2024. torch-conv-kan è disponibile con licenza MIT. I suoi temi principali sono: computer-vision, convolutional-neural-networks, kolmogorov-arnold-networks.
Che cos'è torch-conv-kan?
Questo progetto è dedicato all'implementazione e alla ricerca di reti convoluzionali Kolmogorov-Arnold. Il repository include implementazioni di convoluzioni 1D, 2D e 3D con diversi kernel, modelli simili a ResNet e DenseNet, codice di addestramento basato su
torch-conv-kan è open source?
torch-conv-kan è un progetto open source. È rilasciato con licenza MIT.
torch-conv-kan è gratuito?
Sì. torch-conv-kan è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.
Con quale licenza è torch-conv-kan?
torch-conv-kan è disponibile con licenza MIT.
In quale linguaggio è scritto torch-conv-kan?
torch-conv-kan è scritto principalmente in Python.
Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.
[](https://olud.ai/project/ivandrokin-torch-conv-kan.html)
Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.