Repolode
Enviar
rasbt

rasbt/deeplearning-models

Colección de ejemplos en Jupyter Notebook que implementan arquitecturas de deep learning y consejos de entrenamiento en PyTorch y TensorFlow.

Ver en GitHub
Estrellas
17,632
Forks
4,090
Issues abiertos
8
Último commit
el mes pasado

¿Qué es?

Este repositorio reúne Jupyter Notebooks anotados que implementan modelos clásicos y modernos de deep learning: desde perceptrones y perceptrones multicapa hasta CNN como LeNet, AlexNet, VGG, ResNet y MobileNet; además de RNN, LSTM, transformers (ajuste fino de DistilBERT), GAN, autoencoders y redes neuronales de grafos.

Además de arquitecturas, aborda temas prácticos: funciones de pérdida para regresión ordinal (CORAL, CORN), capas de normalización, validación cruzada K-fold, aumento de datos con AutoAugment y TrivialAugment, aprendizaje por transferencia, recorte del gradiente, calendarios de tasa de aprendizaje, cargadores de datos personalizados, entrenamiento multi-GPU con DataParallel y paralelismo de pipeline, y flujos de trabajo basados en Lightning.

La mayoría de los ejemplos están escritos en PyTorch, y hay un conjunto más pequeño en TensorFlow 1.x, además de variantes con PyTorch Lightning para muchos modelos. Cada notebook utiliza un conjunto de datos habitual, como MNIST, CIFAR-10, CelebA o IMDB.

Funciones clave

  • 01Implementaciones de arquitecturas CNN, RNN, transformer, GAN, autoencoder y GNN en Jupyter Notebooks.
  • 02La mayoría de los ejemplos están en PyTorch, con variantes en TensorFlow 1.x y PyTorch Lightning para muchos modelos.
  • 03Métodos de regresión ordinal como CORAL, CORN y la reformulación con error cuadrático.
  • 04Temas prácticos de entrenamiento, como aumento de datos, validación K-fold y recorte del gradiente.
  • 05Ejemplos de entrenamiento multi-GPU con DataParallel y paralelismo de pipeline.

Casos de uso

  • Aprender cómo se construye y entrena una arquitectura concreta, como ResNet o DistilBERT.
  • Encontrar una referencia ejecutable para regresión ordinal o una función de pérdida específica.
  • Consultar patrones de carga de datos o entrenamiento multi-GPU para proyectos de PyTorch.
  • Comparar implementaciones del mismo modelo en PyTorch y TensorFlow.

Inicio rápido

  1. 1

    Abre en Jupyter un notebook de PyTorch enlazado desde el README, como basic-ml/perceptron.ipynb

Antes de usarlo

  • El README no incluye instrucciones de instalación ni de dependencias.
  • Muchas entradas no tienen descripción (aparecen como TBD), así que tendrás que leer cada notebook para saber qué hace.

En colecciones

Bibliotecas y herramientas de visión artificialHerramientas y bibliotecas de procesamiento del lenguaje natural

Temas

#deep-learning#pytorch#tensorflow#jupyter-notebook#computer-vision#nlp#neural-networks#tutorial

Preguntas frecuentes

¿Qué es deeplearning-models?
Colección de ejemplos en Jupyter Notebook que implementan arquitecturas de deep learning y consejos de entrenamiento en PyTorch y TensorFlow. Este repositorio reúne Jupyter Notebooks anotados que implementan modelos clásicos y modernos de deep learning: desde perceptrones y perceptrones multicapa hasta CNN como LeNet, AlexNet, VGG, ResNet y MobileNet; además de RNN, LSTM, transformers (ajuste fino de DistilBERT), GAN, autoencoders y redes neuronales de grafos.
¿deeplearning-models es gratuito? ¿Qué licencia tiene?
deeplearning-models es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿deeplearning-models sigue mantenido?
Actualizado en los últimos 6 meses. El último commit de deeplearning-models fue el 26 sept 2026.
¿Para qué puedo usar deeplearning-models?
Aprender cómo se construye y entrena una arquitectura concreta, como ResNet o DistilBERT. Encontrar una referencia ejecutable para regresión ordinal o una función de pérdida específica. Consultar patrones de carga de datos o entrenamiento multi-GPU para proyectos de PyTorch. Comparar implementaciones del mismo modelo en PyTorch y TensorFlow.
¿Cómo se instala deeplearning-models?
Abre en Jupyter un notebook de PyTorch enlazado desde el README, como basic-ml/perceptron.ipynb
¿Dónde consigo deeplearning-models?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/rasbt/deeplearning-models

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados