Início Projetos Transfer-Learning-Library
Transfer-Learning-Library
Python

Transfer-Learning-Library

Biblioteca de Transfer Learning para Adaptação de Domínio, Adaptação de Tarefa e Generalização de Domínio

por thuml · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
adversarial-learningdanndeep-learningMITPython
Ver no GitHub
Em palavras simples

Aplique técnicas de transferência de aprendizado para melhorar modelos de IA para diferentes tarefas e domínios facilmente.

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 →
Transfer-Learning-Library — GitHub preview card
📈 Histórico de estrelas
3.93k3.92k
2026-07-072026-08-31
📈 Acompanhe Transfer-Learning-Library

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

Biblioteca de Transfer Learning para Adaptação de Domínio, Adaptação de Tarefa e Generalização de Domínio

Transfer-Learning-Library tem 3.9k estrelas no GitHub. Foi bifurcado 597 vezes. Transfer-Learning-Library é escrito principalmente em Python. Está em desenvolvimento ativo desde 2020. Transfer-Learning-Library está disponível sob a licença MIT. Os seus principais temas são: adversarial-learning, dann, deep-learning, domain-adaptation.

Frequently asked questions

O que é Transfer-Learning-Library?

Biblioteca de Transfer Learning para Adaptação de Domínio, Adaptação de Tarefa e Generalização de Domínio

Transfer-Learning-Library é de código aberto?

Transfer-Learning-Library é um projeto de código aberto. É distribuído sob a licença MIT.

Transfer-Learning-Library é gratuito?

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

Sob que licença está Transfer-Learning-Library?

Transfer-Learning-Library está disponível sob a licença MIT.

Em que linguagem Transfer-Learning-Library está escrito?

Transfer-Learning-Library é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — Transfer-Learning-Library

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=thuml-transfer-learning-library)](https://olud.ai/project/thuml-transfer-learning-library.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →
AdaptSegNet
Aprendendo a Adaptar Espaço de Saída Estruturado para Segmentação Semântica, CVPR 2018 (spotlig…
859 · adversarial-learning
partilhaadversarial-learningdomain-adaptation
AdvSemiSeg
Aprendizado Adversarial para Segmentação Semissupervisionada Semântica, BMVC 2018
507 · adversarial-learning
partilhaadversarial-learning
pytorch-adapt
Adaptação de domínio facilitada. Totalmente funcional, modular e personalizável.
397 · computer-vision
partilhadomain-adaptation
pykale
Aprendizado de Máquina Consciente do Conhecimento (KALE): aprendizado de máquina acessível de m…
486 · computer-vision
partilhadomain-adaptation
Exclusively-Dark-Image-Dataset
Conjunto de dados Exclusivamente Escuro (ExDARK) que, até onde sabemos, é a maior coleção de im…
635 · computer-vision
partilhadomain-adaptation
powerful-benchmarker
Uma biblioteca para benchmarking de ML. É poderosa.
441 · benchmarking
partilhadomain-adaptation
SelectionGAN
[CVPR 2019 Oral] GAN de Seleção de Atenção Multicanal com Orientação Semântica em Cascata para…
466 · adversarial-learning
partilhaadversarial-learning
bonito
Uma biblioteca leve para gerar conjuntos de dados sintéticos de ajuste de instruções para seus…
830 · domain-adaptation
partilhadomain-adaptation
gpl
Método poderoso de adaptação de domínio não supervisionada para recuperação densa. Requer apena…
343 · bert
partilhadomain-adaptation
transferlearning
Aprendizado por transferência / adaptação de domínio / generalização de domínio / aprendizado m…
14.3k · deep-learning
partilhadomain-adaptation

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