PyTorch Hub
面向研究人员

HybridNets - 端到端感知网络

在 Kinetics 400 数据集上预训练的 ResNet 风格的视频分类网络

在 Kinetics 400 数据集上预训练的 SlowFast 网络

在 Kinetics 400 数据集上预训练的 X3D 网络

在 BDD100K 数据集上预训练的 YOLOP

用于从单幅图像计算相对深度的 MiDaS 模型。

使用此细粒度图像分类器对鸟类进行分类

用于从文本生成梅尔谱图的 FastPitch 模型

GPUNet 是一个全新的卷积神经网络系列，旨在最大限度地提高 NVIDIA GPU 和 TensorRT 的性能。

用于从梅尔谱图生成波形的 HiFi GAN 模型

Once-for-all (OFA) 将训练和搜索解耦，并在各种边缘设备和资源限制下实现高效推理。

音乐源分离的参考实现

一套适用于多种语言的紧凑型企业级预训练 STT 模型。

一套适用于多种语言的紧凑型企业级预训练 TTS 模型

预训练的语音活动检测器

Ultralytics YOLOv5 🚀 用于目标检测、实例分割和图像分类。

具有 ResNet-50、ResNet-101 和 MobileNet-V3 主干的 DeepLabV3 模型

用于英法和英德翻译的 Transformer 模型。

使用数十亿规模弱监督数据训练的 ResNext 模型。

用于生成 64x64 图像的简单生成图像模型

高质量的时尚、名人面部图像生成

论文“数十亿规模的半监督学习用于图像分类”中介绍的 ResNet 和 ResNext 模型

流行 NLP Transformer 的 PyTorch 实现

具有批量归一化的 U-Net，用于生物医学图像分割，并为脑部 MRI 中的异常分割提供预训练权重

EfficientNets 是一系列图像分类模型，它们在实现最先进的精度的同时，尺寸更小且速度更快......

使用张量核心以混合精度训练的 ResNet50 模型。

将瓶颈 3x3 卷积替换为 3x3 分组卷积的 ResNet，使用张量核心以混合精度训练。

添加了压缩和激励模块的 ResNeXt，使用张量核心以混合精度训练。

用于目标检测的单次多框检测器模型

用于从文本生成梅尔谱图的 Tacotron 2 模型

用于从梅尔谱图（由 Tacotron2 生成）生成语音的 WaveGlow 模型

一种鲁棒优化的 BERT 预训练方法

2012 年 ImageNet 竞赛的冠军，其前 5 错误率为 15.3%，比亚军低 10.8 个百分点。

密集卷积网络 (DenseNet)，以前馈方式将每一层连接到所有其他层。

具有 ResNet-50 和 ResNet-101 主干的全卷积网络模型

通过从廉价操作生成更多特征来实现高效的网络

GoogLeNet 基于一个名为“Inception”的深度卷积神经网络架构，该架构赢得了 2014 年 ImageNet 竞赛。

在 ImageNet 上预训练的谐波密集网络

具有领域/外观不变性的网络

也称为 GoogleNetv3，一个著名的在 2015 年 ImageNet 上训练的 ConvNet

使用知识蒸馏来增强微型高效模型。

针对速度和内存进行了优化的高效网络，具有残差块

无代理地为不同的硬件平台专门定制 CNN 架构。

一种新的 ResNet 变体。

在 ImageNet 上预训练的深度残差网络

下一代 ResNets，更高效、更准确

在 ImageNet 上预训练的针对速度和内存进行了优化的高效 ConvNet

具有脉冲神经元的脑启发多层感知器

在参数少 50 倍的情况下，达到 Alexnet 级别的准确率。

来自 2014 年 ImageNet ILSVRC 挑战赛的获奖 ConvNets

宽残差网络

保持简单，使用简单的架构来超越更深层、更复杂的架构