探索 PyTorch 项目
筛选并发现收录的、配有高质量中文文档或教程的 GitHub 项目。
一站式 AI 量化交易平台，覆盖学习、模拟到实盘。集成股票知识、策略实例、大模型、因子挖掘、机器学习、深度学习、强化学习、图网络、高频交易及 C++ 部署等，支持多市场交易与辅助操盘工具。
基于 PyTorch 和 TorchText 的序列到序列模型教程，涵盖从基础到注意力机制的实现，以德语到英语翻译为例。
Google Gemma 模型的官方 PyTorch 实现。提供 PyTorch 和 PyTorch/XLA 推理，支持 CPU、GPU 和 TPU。包含多种模型变体，如 Gemma 3、2 和 CodeGemma，可在 Kaggle 和 Hugging Face 下载。
基于 Python 的图像去重工具，支持精确和近似重复检测。提供多种哈希算法（如 PHash、DHash）和 CNN 模型，可生成图像编码、评估去重效果并可视化结果。兼容 Python 3.9+，跨平台运行。
Facebook AI Research 的模块化视觉与语言多模态研究框架，基于 PyTorch，支持分布式训练，提供前沿模型实现，适用于快速启动研究项目。
基于 LiDAR 的 3D 目标检测开源工具箱，支持 PointRCNN、PV-RCNN、Voxel R-CNN 等多种先进模型，提供完整的训练与推理框架。
基于 Kubernetes 的标准化分布式生成式与预测式 AI 推理平台，支持多框架部署。提供 LLM 优化、GPU 加速、模型缓存、KV 缓存卸载、自动扩缩容等生成式 AI 功能，以及多框架支持、智能路由、高级部署、模型可解释性、高级监控等预测式 AI 功能。
Udacity 深度学习纳米学位项目代码库，包含 PyTorch 教程与项目。涵盖神经网络、卷积网络、循环网络及 GAN 等主题，提供 Jupyter Notebook 实现，用于学习与实践。
基于 PyTorch 的开源深度学习训练库，优化大规模模型训练。支持 FSDP、弹性检查点等特性，简化分布式训练流程，适用于 LLM、扩散模型等。
一个统一的 AI 平台，从管道到智能体。支持任何 Python 逻辑，自动容器化、追踪运行、抽象基础设施复杂性，并集成 MLflow、Langgraph 等工具，助力快速迭代实验。
官方 PyTorch 实现，支持多域图像到图像转换的统一生成对抗网络。基于 CelebA 和 RaFD 数据集训练，可灵活转换人脸属性与表情。
将 TensorFlow、PyTorch 等机器学习模型转换为 Core ML 格式，支持模型读写与优化验证，便于在 Apple 设备上部署。
端到端框架，用于构建自定义 AI 应用和智能体。支持多种数据库后端，如 MongoDB、SQL、Snowflake 和 Redis。基于 Python，提供插件化架构，便于集成现有工具。
基于 PyTorch Lightning 与 Hydra 的模板，提供极简样板代码，支持多 GPU、TPU 和 SLURM 集群，内置实验追踪、超参搜索与 CI/CD 流程。
基于 PyTorch 的 EfficientDet 高效目标检测器复现，提供 SOTA 实时性能与预训练权重。支持自定义数据集训练，提供详细教程与性能基准。
基于全卷积网络的实时实例分割模型，支持 YOLACT 和 YOLACT++ 两种版本。提供训练、评估及实时演示代码，兼容 PyTorch 1.0.1+，需编译 DCNv2 以启用 YOLACT++。
基于 PyTorch 的 SSD 目标检测器实现，支持 VOC 和 COCO 数据集训练与评估，提供预训练模型和实时可视化工具。
提供《Deep Learning with PyTorch》书籍的配套代码，使用 Jupyter Notebook 实现，涵盖深度学习基础与 PyTorch 实践。
提供《Machine Learning with PyTorch and Scikit-Learn》书籍的配套代码库，包含 19 个章节的 Jupyter Notebook 实例，涵盖从基础分类到 Transformer、GAN 和图神经网络等高级主题。
基于 PyTorch 的高效人脸交换框架，支持图像和视频的任意人脸替换，仅需单个训练模型即可实现高保真效果。提供训练与测试代码，支持高分辨率版本 SimSwap-HQ。
Udacity 深度强化学习 Nanodegree 课程配套仓库。包含 PyTorch 实现的多种强化学习算法教程，如 DQN、DDPG、PPO 等，以及基于 Unity ML-Agents 的导航、连续控制等实战项目。
基于 PyTorch 的人脸识别库，提供预训练的 MTCNN 人脸检测和 InceptionResnet 识别模型。支持快速部署与微调，包含完整检测识别流程示例。
基于 PyTorch 的 3D 深度学习加速库，提供模块化可微渲染、快速表示转换、数据加载、3D 检查点、可微相机与光照 API、结构化点云加速及 Jupyter 交互式可视化等 GPU 优化操作。
基于 PyTorch 的 MIT ADE20K 数据集语义分割/场景解析实现。支持 PSPNet、UPerNet、HRNet 等 SOTA 模型，提供预训练模型与 Colab 演示。特色包括同步批归一化、多 GPU 动态输入尺度及高效训练。