DL-Hub

从零手写，循序渐进 — PyTorch 深度学习统一学习项目

60 Lessons · 7 Learning Tracks · 27 ML Algorithms · 1600+ Model Zoo Architectures · 650+ Tests

统一代码风格、统一训练脚手架、统一运行方式
让学习者真正能 "循序渐进跑通 → 改得动 → 能验收"

Quick Start · Learning Tracks · Model Zoo · ML Algorithms · Docs

What You'll Build

Vision
_{从 LeNet 到 ViT，
736 架构 · 图像分类 / 检测 / 分割}

NLP
_{从词嵌入到 Transformer，
813 架构 · 分类 / NER / 阅读理解}

GNN
_{从 GCN 到 PinSAGE，
图分类 / 节点嵌入 / 推荐}

Point Cloud
_{从 PointNet 到 PCT，
64 架构 · 分类 / 部件分割 / 重建 / 15 种自监督}

Generative
_{VAE & GAN，
手写数字重建与生成}

_{① Vision — CNN / ViT 图像分类 · ② GNN — 图神经网络 · ③ Point Cloud — 3D 点云 · ④ Generative — VAE / GAN 生成}

What You'll Build
Quick Start
Prerequisites
Learning Path
Learning Tracks
- Foundations · Vision · NLP · GNN · Point Cloud · Generative · LLM
Model Zoo
- Vision Zoo (736 architectures) · NLP Zoo (813 architectures) · Point Cloud Zoo (64 architectures)
NumPy ML Algorithms
Optimization Toolkit
Documentation
Design Philosophy
Contributing
Citation

Quick Start

Tip

所有 lesson 均支持 --dataset fake 离线冒烟 — 无需下载任何数据集，2 分钟即可跑通。

# 克隆仓库
git clone https://github.com/skygazer42/DL-Hub.git
cd DL-Hub
pip install -r requirements.txt

# 仓库级冒烟测试（验证环境）
python scripts/smoke_check.py

# 跑通第一个 lesson
python -m tracks.vision.lesson_01_mnist_lenet.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

列出所有可运行的 lesson：

python scripts/run_lesson.py --list

统一 CLI 参数（所有 lesson 通用）

参数	说明	示例
`--dataset`	数据模式	`fake` (离线冒烟) / `toy` / `real`
`--epochs`	训练轮数	`10`
`--batch-size`	批大小	`32`
`--learning-rate`	学习率	`0.001`
`--seed`	随机种子	`42`
`--device`	计算设备	`cpu` / `cuda` / `mps` / `auto`
`--max-train-batches`	限制训练 batch 数	`2`
`--max-eval-batches`	限制评估 batch 数	`2`

Prerequisites

Note

本项目适合有一定 Python 基础的学习者。以下是各 track 的先修建议。

Track	先修知识
Foundations	Python 基础、线性代数入门
Vision	Foundations track + 卷积直觉
NLP	Foundations track + 文本处理基础
GNN	Foundations track + 图论基本概念
Point Cloud	Vision track + 3D 几何直觉
Generative	Vision track + 概率论基础
LLM	NLP track + Transformer 机制

Learning Path

不知道从哪开始？根据你的时间选择一条学习路线：

_{Step 1–7 对应：Foundations → Vision → NLP → GNN → Point Cloud → Generative → LLM}

路线	时间	Lessons	内容
Weekend Sprint	1-2 天	6 lessons	Foundations (2) → Vision lesson 01-02 → Generative lesson 01 → LLM lesson 01 _{快速建立从张量到生成模型的完整直觉}
Two-Week Deep Dive	2 周	18 lessons	Foundations (2) → Vision (5) → NLP (4) → GNN (3) → Generative (2) → LLM (1) → Point Cloud (1) _{覆盖所有 track 的核心 lesson}
Full Curriculum	4-6 周	60 lessons	按顺序完成全部 7 个 track 的所有 lesson _{系统掌握从经典 ML 到前沿深度学习的完整技能树}

Tip

推荐顺序：Foundations → Vision → NLP → GNN → Point Cloud → Generative → LLM。每个 lesson 都有独立的 README 说明目标、先修和验收标准。

课程及代码合集

Foundations
_{2 lessons}

Vision
_{14 lessons}

NLP
_{7 lessons}

GNN
_{11 lessons}

Point Cloud
_{23 lessons}

Generative
_{2 lessons}

LLM
_{1 lesson}

⚡ 1. Foundations / 基础

张量、自动求导、训练循环入门 — 所有后续 track 的基石。

序号	项目	代码文档	核心概念
1	张量操作 & Autograd 机制	lesson_01_tensors	`torch.Tensor`, `backward()`, 计算图
2	从零实现线性回归	lesson_02_linear_regression	梯度下降, 损失函数, 参数更新

👁️ 2. Vision / 视觉

从 MNIST 入门到目标检测、语义分割、Vision Transformer。

序号	项目	代码文档	核心概念
1	LeNet-5 图像分类	mnist_lenet	卷积层, 池化, 全连接
2	MLP 图像分类	mnist_mlp	多层感知机, Flatten
3	AlexNet 图像分类	mnist_alexnet	深层卷积网络, Dropout
4	FCOS 目标检测	synthetic_detection_fcos	Anchor-free, FPN, 回归头
5	ViT 图像分类	vit_toy_classification	Patch Embedding, Self-Attention
6	Swin Transformer 图像分类	swin_toy_classification	Window Attention, Shifted Window
7	关键点回归	toy_keypoint_regression	坐标回归, Heatmap
8	UNet 语义分割	synthetic_segmentation_unet	Encoder-Decoder, Skip Connection
9	多 Backbone 对比	cnn_backbones_toy_classification	统一接口, 特征提取
10	图像去噪（多模型）	synthetic_denoising	合成噪声建模, 去噪回归
11	YOLACT 实例分割	synthetic_instance_segmentation_yolact	Prototype + Coefficients
12	YOLO 风格目标检测	synthetic_detection_yolo	Grid/Objectness + BBox
13	行人检测（FCOS）	synthetic_pedestrian_detection_fcos	Anchor-free 检测头
14	视频多目标跟踪（MOT）	video_mot_basics	多目标轨迹预测, Presence + IoU

支持的 Vision Backbones（208 算法族 / 736 架构 ID）

类别	代表架构
经典 CNN	AlexNet, VGG, GoogLeNet, ResNet, DenseNet, SqueezeNet
高效网络	MobileNet v1-v4, EfficientNet, GhostNet v1/v2, ShuffleNet, MNASNet, FBNet, MicroNet
注意力 CNN	SENet, CBAM, BAM, ECA-Net, SK-Net, CoordAtt, SimAM, Triplet Attention
现代 CNN	ConvNeXt v1/v2, RepVGG, RepLKNet, InceptionNeXt, HorNet, FocalNet, SLaK
Vision Transformer	ViT, DeiT, DeiT3, BEiT, EVA, CaiT, CrossViT, Swin v2, CSwin, MAE-ViT
高效 Transformer	EfficientViT, TinyViT, EdgeViT, LightViT, FastViT, FasterViT, SwiftFormer
MLP 系列	MLP-Mixer, gMLP, ResMLP, FNet, CycleMLP, AS-MLP, WaveMLP, MorphMLP
Hybrid	CoAtNet, MobileFormer, ConvFormer, Uniformer, CMT, MaxViT, MobileViT v1-v3
特殊结构	CapsNet, ScatterNet, FractalNet, HighwayNet, HRNet, NAS 系列

完整列表见 python -m dlhub.vision.backbones.catalog --list，所有 backbone 均为纯 PyTorch 本地实现。

📝 3. NLP / 自然语言处理

从 toy 文本分类到 Transformer、NER、阅读理解。

序号	项目	代码文档	核心概念
1	Embedding + FC 文本分类	toy_text_classification	词嵌入, 词袋
2	Transformer Encoder 文本分类	toy_text_classification_transformer	Self-Attention, 位置编码
3	BiLSTM 命名实体识别	toy_ner_bilstm	序列标注, BIO 标签
4	Seq2Seq + Attention 序列生成	toy_seq2seq_attention_generation	Encoder-Decoder, Bahdanau Attention
5	TextCNN 文本分类	toy_text_classification_textcnn	多尺度卷积核, 文本特征
6	BiLSTM 文本分类	toy_text_classification_bilstm	双向 LSTM, 隐藏状态
7	Span Prediction 阅读理解	reading_comprehension	SQuAD 风格, Start/End Logits

🕸️ 4. GNN / 图神经网络

最丰富的 track — 从 toy 图分类到 Cora 节点分类、图嵌入、异构图推荐。

Graph Classification

序号	项目	代码文档	核心概念
1	GCN 图分类	toy_graph_classification	邻接矩阵, 消息传递
2	GIN 图分类	gin_toy_graph_classification	WL Test, 图同构
3	GAT 图分类	gat_toy_graph_classification	注意力系数, 多头注意力

Node Classification

序号	项目	代码文档	核心概念
4	GCN Cora 节点分类	cora_node_classification_gcn	半监督学习, 谱方法
5	Label Propagation Cora	label_propagation_cora	经典基线, 无参数方法
6	GraphSAGE Cora	graphsage_cora	采样聚合, 归纳学习

Embedding & Advanced

序号	项目	代码文档	核心概念
7	SDNE 节点嵌入	sdne_karate_embedding	自编码器, 一阶/二阶近似
8	LINE 节点嵌入	line_karate_embedding	大规模网络, 边采样
9	Metapath2Vec 异构图嵌入	metapath2vec_toy_hetero_embedding	元路径, 异构随机游走
10	PinSAGE 推荐	pinsage_toy_recommender	随机游走采样, 工业级图推荐
11	R-GCN 关系图节点分类	rgcn_toy_node_classification	关系特定权重, 知识图谱

☁️ 5. Point Cloud / 点云

3D 点云分类：PointNet → DGCNN → PointNet++ → 30+ Backbone Zoo。

序号	项目	代码文档	核心概念
1	PointNet 点云分类	pointnet_toy_classification	点集排列不变性, T-Net
2	DGCNN 点云分类	dgcnn_toy_classification	动态图, EdgeConv
3	PointNet++ 点云分类	pointnet2_toy_classification	层级采样, Set Abstraction
4	30+ Backbone Zoo 对比	pointcloud_zoo_toy_classification	统一接口, Backbone 对比

支持的 Point Cloud Backbones（30 算法 / 64 架构 ID）

类别	架构
Set Models	PointNet, PointNet++, DeepSets
Graph Models	DGCNN, PointGAT, PointGCN, PointWeb
MLP Models	PointMLP, PointMixer, PointNeXt
Transformer	PCT, Point Transformer, PointBERT, PointMAE
Conv Models	KPConv, PointCNN, PointConv, ShellNet
Extra	CurveNet, GDANet, PAConv, PVCNN, RandLANet, RSCNN, SpiderCNN 等

🎨 6. Generative / 生成模型

VAE & GAN 最小实现 — 支持 --dataset fake 离线冒烟。

序号	项目	代码文档	核心概念
1	VAE 重建 & 生成	vae_mnist	重参数化技巧, KL 散度, ELBO
2	GAN 生成	gan_mnist	生成器/判别器对抗, 纳什均衡

🤖 7. LLM / 大语言模型

Toy Causal Language Model — 从零搭建 Transformer 生成模型。

序号	项目	代码文档	核心概念
1	Transformer 文本生成	toy_causal_lm_transformer	Causal Mask, 自回归解码

Note

resources/pdfs/llms/ 下保留了 50+ 篇 LLM 相关论文与笔记，包括 PaLM、大模型综述等，可作为延伸阅读。

Model Zoo

三大领域统一模型动物园 — 纯 PyTorch 本地实现，无需下载预训练权重，1600+ 架构 ID 一行切换

Vision Zoo
_{208 算法族 · 736 架构 ID}

NLP Zoo
_{49 算法族 · 813 架构 ID}

Point Cloud Zoo
_{30 算法族 · 64 架构 ID}

所有 Zoo 遵循相同的设计模式：

一文件一算法族 — 如 resnet.py 包含 ResNet-18/34/50/101 所有变体
Lazy Import — 仅在使用时加载，启动零开销
统一接口 — build(arch_id, num_classes=...) 即可构建任意模型
CLI 工具 — --list 列表、--search 搜索、--smoke 冒烟测试

Vision Zoo / 736 Architectures

# 列出所有可用架构
python scripts/vision_zoo.py --list

# 搜索特定架构
python scripts/vision_zoo.py --search convnext

# 冒烟测试
python scripts/vision_zoo.py --smoke resnet50

Fine-Grained Recognition (FGVC) Local Zoo

细粒度视觉识别（FGVC）模型族补充：Bilinear / Part-based / Transformer / Prompt / CLIP / MLLM reasoning（toy-first, no downloads）

python scripts/fine_grained_recognition_zoo.py --list
python scripts/fine_grained_recognition_zoo.py --search transfg
python scripts/fine_grained_recognition_zoo.py --smoke dlfgvc:fine_r1_tiny

时间线与方法说明见 dlhub/vision/fine_grained_recognition/README.md

Action Recognition (Video + Skeleton) Local Zoo

行为识别（动作识别）模型族补充：Video (NCTHW) + Skeleton (NCTV)，toy-first, no downloads

python scripts/action_recognition_zoo.py --list
python scripts/action_recognition_zoo.py --search stgcn
python scripts/action_recognition_zoo.py --smoke dlactv:c3d_tiny
python scripts/action_recognition_zoo.py --smoke dlacts:stgcn_tiny

时间线与方法说明见 dlhub/vision/action_recognition/README.md

Multi-Object Tracking (MOT) Local Zoo

多目标跟踪模型族补充：2D 单相机 MOT，80 算法族（每族 tiny/small/base），toy-first, no downloads

python scripts/mot_zoo.py --list
python scripts/mot_zoo.py --search bytetrack
python scripts/mot_zoo.py --timeline
python scripts/mot_zoo.py --recommend realtime --top-k 8 --variant tiny
python scripts/mot_zoo.py --recommend occlusion --top-k 8 --variant tiny --emit-train-cmds
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds --skip-existing
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds --summary-only
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds --rank-by loss
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds --save-leaderboard outputs/vision/mot_leaderboard.json
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds --save-artifacts-dir outputs/vision/mot_artifacts
python scripts/mot_zoo.py --recommend realtime --top-k 3 --variant tiny --run-train-cmds --save-artifacts-dir auto
python scripts/mot_zoo.py --smoke mot2d:sort_tiny

组别、选型建议与 80 族列表见 dlhub/vision/mot/README.md

主要架构分类

类别	代表架构	数量
经典 CNN	AlexNet, VGG, GoogLeNet, ResNet, DenseNet	~60
高效网络	MobileNet v1-v4, EfficientNet v1/v2, GhostNet, ShuffleNet	~80
注意力 CNN	SENet, CBAM, BAM, ECA-Net, SK-Net, CoordAtt	~50
现代 CNN	ConvNeXt v1/v2, RepVGG, RepLKNet, HorNet, FocalNet	~40
Vision Transformer	ViT, DeiT, BEiT, Swin v2, CSwin, CaiT, CrossViT	~120
高效 Transformer	EfficientViT, TinyViT, EdgeViT, FastViT, SwiftFormer	~60
MLP 系列	MLP-Mixer, gMLP, ResMLP, FNet, CycleMLP, WaveMLP	~50
Hybrid	CoAtNet, MobileFormer, Uniformer, MaxViT, MobileViT	~60
特殊结构	CapsNet, FractalNet, HRNet, NAS 系列, Mamba	~50

NLP Zoo / 813 Architectures

# 列出所有可用架构
python scripts/nlp_zoo.py --list

# 搜索特定架构
python scripts/nlp_zoo.py --search bert

# 冒烟测试
python scripts/nlp_zoo.py --smoke bert_base

主要架构分类

类别	代表架构
Transformer	BERT, GPT, T5, ALBERT, DistilBERT, Longformer, BigBird
高效 Transformer	Performer, Nystromformer, FNet, Synthesizer, Linformer
RNN 系列	LSTM, GRU, BiLSTM, BiGRU, IndRNN, SRU, QRNN
CNN 系列	TextCNN, InceptionCNN, DPCNN, VDCNN, ResConv
MLP 系列	gMLP, ResMLP, MLP-Mixer
轻量级	FastText, WaveNet, TCN

Point Cloud Zoo / 64 Architectures

# 在 lesson_04 中切换 backbone
python -m tracks.pointcloud.lesson_04_pointcloud_zoo_toy_classification.train \
  --arch pointnet --dataset fake --epochs 1

详细列表见 Point Cloud Track 的 Backbone 表格。

NumPy ML Algorithms

纯 NumPy 手写经典机器学习算法 — 零深度学习依赖，理解算法本质

类别	算法	文件	核心原理
线性模型	Linear Regression	`linear_models.py`	最小二乘, 梯度下降
线性模型	Ridge Regression	`linear_models.py`	L2 正则化, 闭式解
线性模型	Logistic Regression	`linear_models.py`	Sigmoid, 交叉熵
线性模型	Softmax Regression	`linear_models.py`	Softmax, 多分类交叉熵
核方法	Linear SVM	`svm.py`	Hinge Loss, 最大间隔
树模型	Decision Tree	`decision_tree.py`	Gini 不纯度, 递归分裂
集成方法	Random Forest	`random_forest.py`	Bagging, 特征随机采样
集成方法	AdaBoost (Classification)	`adaboost.py`	Boosting, Decision Stumps
集成方法	Gradient Boosting (Regression)	`gradient_boosting.py`	Boosting, 残差拟合
概率模型	Naive Bayes	`naive_bayes.py`	条件独立, 平滑
概率模型	GMM	`gmm.py`	EM 算法, 高斯混合
生成模型	LDA / QDA	`discriminant_analysis.py`	高斯假设, 判别函数
近邻	KNN	`knn.py`	距离度量, 多数投票
聚类	K-Means	`kmeans.py`	质心迭代, Lloyd 算法
聚类	K-Medoids	`kmedoids.py`	Medoid, PAM
聚类	Agglomerative Clustering	`clustering.py`	层次聚类, Linkage
聚类	DBSCAN	`clustering.py`	密度聚类, 邻域扩展
聚类	Spectral Clustering	`spectral_clustering.py`	图拉普拉斯, 特征向量
降维	PCA	`pca.py`	特征值分解, 方差最大化
降维	NMF	`nmf.py`	非负分解, 乘法更新
降维	FastICA	`ica.py`	独立成分, Fixed-point
降维	Isomap	`isomap.py`	测地距离, MDS
序列模型	Markov Chain	`markov_chain.py`	转移矩阵, 平滑
序列模型	N-gram LM	`ngram.py`	计数, Laplace 平滑
序列模型	Categorical HMM	`hmm.py`	Forward / Viterbi, log-space
神经网络	Perceptron	`perceptron.py`	感知机学习规则
神经网络	MLP	`mlp.py`	反向传播, 链式法则

_{所有文件位于 ml_algorithms/python/，使用 @dataclass 模式实现。}

Optimization Toolkit

纯 NumPy 实现 — 理解优化器和调度器的数学本质

Optimizers

算法	特点
SGD	基础随机梯度下降
Momentum	动量加速
RMSProp	自适应学习率
Adagrad	稀疏梯度友好
Adam	Momentum + RMSProp

LR Schedulers

策略	特点
StepDecay	阶梯式衰减
ExponentialDecay	指数衰减
CosineAnnealing	余弦退火
WarmupCosine	预热 + 余弦

Losses

函数	用途
MSE	回归
MAE	鲁棒回归
Binary CE	二分类
Categorical CE	多分类

Metrics

指标	用途
Accuracy	分类准确率
Precision	精确率
Recall / F1	召回率 / F1
R² Score	回归拟合度

更多优化算法

算法	目录	说明
蚁群优化 (ACO)	`optimization/ACO/`	旅行商问题求解，含原理图
遗传算法 (GA)	`optimization/GA/`	进化搜索，含流程图
粒子群优化 (PSO)	`optimization/PSO/`	群体智能优化
层次分析法 (AHP)	`optimization/AHP/`	多准则决策
Lasso 优化	`optimization/Lasso/`	L1 正则化路径，含可视化

Documentation

文档	说明	适合谁
`ROADMAP.md`	学习路线图与推荐顺序	初学者
`INSTALL.md`	安装指南	所有人
`RUNNING.md`	如何运行 Lesson	所有人
`STRUCTURE.md`	仓库结构详解	想深入了解的人
`CONVENTIONS.md`	运行 & 实验约定	贡献者
`STYLEGUIDE.md`	代码规范	贡献者
`FAQ.md`	常见问题	遇到问题时

Design Philosophy

              ┌───────────────────────────────────────────────────────┐
              │                   DL-Hub 设计理念                      │
              ├──────────────┬──────────────┬─────────────────────────┤
              │ Offline-first │  统一脚手架   │     可复现              │
              │ 所有 lesson   │ 共享 dlhub/  │ 种子 + 配置 + 日志      │
              │ 支持离线冒烟   │ 训练框架      │ 每次实验可追溯          │
              ├──────────────┼──────────────┼─────────────────────────┤
              │   渐进式      │  测试覆盖     │  Model Zoo             │
              │ 由浅入深       │ 40+ pytest  │ 1600+ 架构 ID          │
              │ 7 track 递进  │ CI 可集成    │ 三大领域统一接口         │
              └──────────────┴──────────────┴─────────────────────────┘

详细说明

Offline-first — 所有 lesson 支持 --dataset fake 离线冒烟，无需下载任何数据集，10 秒内验证环境
统一脚手架 — 所有 lesson 共享 dlhub/ 框架：训练循环、设备管理、种子、检查点、JSONL 指标记录
可复现 — 种子管理 + 配置自动保存 + 指标日志，每次实验完整可追溯
渐进式 — 从基础张量操作到 Vision Transformer、GraphSAGE、PointNet++，由浅入深，7 个 track 层层递进
测试覆盖 — 40+ pytest 测试文件覆盖框架核心与所有 track，支持 CI 集成
Model Zoo — 三大领域（Vision / NLP / Point Cloud）共 1600+ 架构 ID，纯 PyTorch 本地实现，统一接口一行切换

Contributing

欢迎贡献！无论是修复 typo、补充 lesson 还是提出新的 track 想法。

Fork 本仓库
创建你的分支 (git checkout -b feature/amazing-lesson)
遵循 docs/STYLEGUIDE.md 代码规范
确保 python scripts/smoke_check.py 通过
提交 PR

Note

每个新 lesson 应包含：model.py / data.py / train.py / README.md，并支持 --dataset fake 冒烟模式。详见 docs/CONVENTIONS.md。

Citation

如果本项目对你的学习或研究有帮助，欢迎引用：

@misc{dlhub2026,
  title  = {DL-Hub: A Unified PyTorch Deep Learning Learning Project},
  author = {DL-Hub Contributors},
  year   = {2026},
  url    = {https://github.com/your-username/DL-Hub}
}

License

本项目采用 MIT License 开源。代码自由使用，resources/pdfs/ 下的论文版权归原作者所有。

Built for learning. Built to run.

_{如果觉得有帮助，欢迎 Star 支持 ⭐}

Name		Name	Last commit message	Last commit date
Latest commit History 540 Commits
.github/workflows		.github/workflows
Llms		Llms
assets		assets
dlhub		dlhub
docs		docs
ml_algorithms		ml_algorithms
optimization		optimization
resources/pdfs		resources/pdfs
scripts		scripts
tests		tests
tracks		tracks
.gitignore		.gitignore
.pre-commit-config.yaml		.pre-commit-config.yaml
Makefile		Makefile
README.md		README.md
pyproject.toml		pyproject.toml
pytest.ini		pytest.ini
requirements-dev.txt		requirements-dev.txt
requirements-vision.txt		requirements-vision.txt
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

DL-Hub

What You'll Build

Contents

Quick Start

Prerequisites

Learning Path

课程及代码合集

⚡ 1. Foundations / 基础

👁️ 2. Vision / 视觉

📝 3. NLP / 自然语言处理

🕸️ 4. GNN / 图神经网络

☁️ 5. Point Cloud / 点云

🎨 6. Generative / 生成模型

🤖 7. LLM / 大语言模型

Model Zoo

Vision Zoo / 736 Architectures

Fine-Grained Recognition (FGVC) Local Zoo

Action Recognition (Video + Skeleton) Local Zoo

Multi-Object Tracking (MOT) Local Zoo

NLP Zoo / 813 Architectures

Point Cloud Zoo / 64 Architectures

NumPy ML Algorithms

Optimization Toolkit

Documentation

Design Philosophy

Contributing

Citation

License

About

Topics

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Uh oh!

Contributors

Uh oh!

Languages

Packages