Home Progetti Transfer-Learning-Library
Transfer-Learning-Library
Python

Transfer-Learning-Library

Libreria di Transfer Learning per Adattamento di Dominio, Adattamento di Compito e Generalizzazione di Dominio

di thuml · GitHub
Stelle
Fork
Licenza
Creato
Ultimo commit
Lingua
adversarial-learningdanndeep-learningMITPython
Visualizza su GitHub
In parole semplici

Applica tecniche di transfer learning per migliorare i modelli AI per diversi compiti e domini facilmente.

Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
Transfer-Learning-Library — GitHub preview card
📈 Storia delle stelle
3.93k3.92k
2026-07-072026-08-31
📈 Segui Transfer-Learning-Library

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Libreria di Transfer Learning per Adattamento di Dominio, Adattamento di Compito e Generalizzazione di Dominio

Transfer-Learning-Library ha 3.9k stelle su GitHub. È stato forkato 597 volte. Transfer-Learning-Library è scritto principalmente in Python. È in sviluppo attivo dal 2020. Transfer-Learning-Library è disponibile con licenza MIT. I suoi temi principali sono: adversarial-learning, dann, deep-learning, domain-adaptation.

Frequently asked questions

Che cos'è Transfer-Learning-Library?

Libreria di Transfer Learning per Adattamento di Dominio, Adattamento di Compito e Generalizzazione di Dominio

Transfer-Learning-Library è open source?

Transfer-Learning-Library è un progetto open source. È rilasciato con licenza MIT.

Transfer-Learning-Library è gratuito?

Sì. Transfer-Learning-Library è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

Con quale licenza è Transfer-Learning-Library?

Transfer-Learning-Library è disponibile con licenza MIT.

In quale linguaggio è scritto Transfer-Learning-Library?

Transfer-Learning-Library è scritto principalmente in Python.

🏅 Manutentore di questo progetto?
olud.ai badge — Transfer-Learning-Library

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![olud.ai](https://olud.ai/badge.php?tool=thuml-transfer-learning-library)](https://olud.ai/project/thuml-transfer-learning-library.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →
AdaptSegNet
Imparare ad adattare lo spazio di output strutturato per la segmentazione semantica, CVPR 2018…
859 · adversarial-learning
condivideadversarial-learningdomain-adaptation
AdvSemiSeg
Apprendimento avversariale per segmentazione semantica semi-supervisionata, BMVC 2018
507 · adversarial-learning
condivideadversarial-learning
pytorch-adapt
Adattamento del dominio reso facile. Completamente funzionale, modulare e personalizzabile.
397 · computer-vision
condividedomain-adaptation
pykale
Machine Learning a conoscenza consapevole (KALE): apprendimento automatico accessibile da più f…
486 · computer-vision
condividedomain-adaptation
Exclusively-Dark-Image-Dataset
Dataset esclusivamente Dark (ExDARK) che, per quanto ne sappiamo, è la più grande collezione di…
635 · computer-vision
condividedomain-adaptation
powerful-benchmarker
Una libreria per il benchmarking ML. È potente.
441 · benchmarking
condividedomain-adaptation
SelectionGAN
[CVPR 2019 Oral] GAN di Selezione di Attenzione Multi-Channel con Guida Semantica Cascata per T…
466 · adversarial-learning
condivideadversarial-learning
bonito
Una libreria leggera per generare dataset sintetici di tuning delle istruzioni per i tuoi dati…
830 · domain-adaptation
condividedomain-adaptation
gpl
Metodo potente di adattamento del dominio non supervisionato per il recupero denso. Richiede so…
343 · bert
condividedomain-adaptation
transferlearning
Apprendimento trasferito / adattamento del dominio / generalizzazione del dominio / apprendimen…
14.3k · deep-learning
condividedomain-adaptation

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.