Início Projetos Paper-Implementations
Paper-Implementations
Python

Paper-Implementations

Use PyTorch para implementar alguns frameworks clássicos

por sunshineatnoon · GitHub
Estrelas
Forks
Criado
Último commit
Linguagem
computer-visiondeep-learningpytorchPython
Ver no GitHub
Em palavras simples

Implemente modelos clássicos de aprendizado de máquina usando PyTorch para várias tarefas.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
Paper-Implementations — GitHub preview card
📈 Histórico de estrelas
623622
2026-07-202026-08-31
📈 Acompanhe Paper-Implementations

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Use PyTorch para implementar alguns frameworks clássicos

Paper-Implementations tem 622 estrelas no GitHub. Foi bifurcado 197 vezes. Paper-Implementations é escrito principalmente em Python. Está em desenvolvimento ativo desde 2017. Os seus principais temas são: computer-vision, deep-learning, pytorch.

Frequently asked questions

O que é Paper-Implementations?

Use PyTorch para implementar alguns frameworks clássicos

Paper-Implementations é de código aberto?

Paper-Implementations é um projeto de código aberto.

Paper-Implementations é gratuito?

Sim. Paper-Implementations é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Em que linguagem Paper-Implementations está escrito?

Paper-Implementations é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — Paper-Implementations

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=sunshineatnoon-paper-implementations)](https://olud.ai/project/sunshineatnoon-paper-implementations.html)
Mais opções de badge →
🧬 Partilha ADN com

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.