Repolode
Enviar
rasbt

rasbt/deeplearning-models

Coleção de exemplos em Jupyter Notebook que implementam diversas arquiteturas de deep learning e técnicas de treinamento em PyTorch e TensorFlow.

Ver no GitHub
Estrelas
17,632
Forks
4,090
Issues abertas
8
Último commit
mês passado

O que é?

Este repositório reúne Jupyter Notebooks com anotações que implementam modelos clássicos e modernos de deep learning, de perceptrons e perceptrons multicamadas a CNNs como LeNet, AlexNet, VGG, ResNet e MobileNet, além de RNNs, LSTMs, transformers (fine-tuning de DistilBERT), GANs, autoencoders e redes neurais em grafos.

Além das arquiteturas, aborda tópicos práticos: funções de perda para regressão ordinal (CORAL, CORN), camadas de normalização, validação cruzada K-fold, aumento de dados com AutoAugment e TrivialAugment, transfer learning, gradient clipping, agendamento da taxa de aprendizado, data loaders personalizados, treinamento com várias GPUs usando DataParallel e pipeline parallelism, além de fluxos de trabalho baseados em Lightning.

A maioria dos exemplos é escrita em PyTorch, com um conjunto menor em TensorFlow 1.x e variantes em PyTorch Lightning para vários modelos. Cada notebook usa um dataset comum, como MNIST, CIFAR-10, CelebA ou IMDB.

Recursos principais

  • 01Implementações de arquiteturas CNN, RNN, transformer, GAN, autoencoder e GNN em Jupyter Notebooks.
  • 02A maioria dos exemplos usa PyTorch, com variantes em TensorFlow 1.x e PyTorch Lightning para vários modelos.
  • 03Métodos de regressão ordinal, como CORAL, CORN e reformulação com erro quadrático.
  • 04Tópicos práticos de treinamento, incluindo aumento de dados, validação K-fold e gradient clipping.
  • 05Exemplos de uso de várias GPUs com DataParallel e pipeline parallelism.

Casos de uso

  • Aprender como uma arquitetura específica, como ResNet ou DistilBERT, é construída e treinada.
  • Encontrar uma referência executável para regressão ordinal ou uma função de perda específica.
  • Consultar padrões de carregamento de dados ou de treinamento com várias GPUs em projetos PyTorch.
  • Comparar implementações do mesmo modelo em PyTorch e TensorFlow.

Início rápido

  1. 1

    Abra no Jupyter um notebook de PyTorch vinculado no README, como basic-ml/perceptron.ipynb

Antes de usar

  • O README não traz instruções de instalação nem de dependências.
  • Muitas entradas não têm descrição (estão marcadas como TBD), então é preciso ler cada notebook para saber o que ele faz.

Em coleções

Bibliotecas e ferramentas de visão computacionalFerramentas e bibliotecas de processamento de linguagem natural

Tópicos

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

Perguntas frequentes

O que é deeplearning-models?
Coleção de exemplos em Jupyter Notebook que implementam diversas arquiteturas de deep learning e técnicas de treinamento em PyTorch e TensorFlow. Este repositório reúne Jupyter Notebooks com anotações que implementam modelos clássicos e modernos de deep learning, de perceptrons e perceptrons multicamadas a CNNs como LeNet, AlexNet, VGG, ResNet e MobileNet, além de RNNs, LSTMs, transformers (fine-tuning de DistilBERT), GANs, autoencoders e redes neurais em grafos.
deeplearning-models é gratuito? Qual é a licença?
deeplearning-models é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
deeplearning-models ainda é mantido?
Atualizado nos últimos 6 meses. O último commit de deeplearning-models foi em 26 de set. de 2026.
Para que posso usar deeplearning-models?
Aprender como uma arquitetura específica, como ResNet ou DistilBERT, é construída e treinada. Encontrar uma referência executável para regressão ordinal ou uma função de perda específica. Consultar padrões de carregamento de dados ou de treinamento com várias GPUs em projetos PyTorch. Comparar implementações do mesmo modelo em PyTorch e TensorFlow.
Como instalar deeplearning-models?
Abra no Jupyter um notebook de PyTorch vinculado no README, como basic-ml/perceptron.ipynb
Onde consigo deeplearning-models?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/rasbt/deeplearning-models

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados