pytorch 第 6 页
本站收录 605 个带「pytorch」标签的 AI 开源项目（按 GitHub 星标从高到低，第 6 / 13 页）
zetazeta 是一个基于 PyTorch 的模块化 AI 模型构建库，旨在帮助开发者快速搭建高性能的对话助手和大语言模型。它提供了类似乐高积木的组件，包括注意力机制★ 604
stable-diffusion-pytorch这是一个用PyTorch从零实现的Stable Diffusion开源项目，代码结构清晰、注释友好，旨在帮助开发者理解扩散模型的内部原理。它解决了官方实现代码复★ 596
SocialEDSocialED 是一个面向社交事件检测（Social Event Detection）的 Python 库，主要解决从社交媒体文本流中自动识别和聚类真实世界事★ 592
common_metrics_on_video_quality这是一个用于评估视频生成或预测质量的Python工具库，专注于计算FVD、PSNR、SSIM、LPIPS等核心指标。它解决了视频生成领域缺乏统一、易用的评估工具★ 586
LLM-FineTuning-Large-Language-Models该项目是一个专注于大语言模型（LLM）微调的教学型开源仓库，主要使用 Jupyter Notebook 编写，旨在帮助开发者系统学习和实践大模型微调技术。它解决★ 578
AlbumentationsXAlbumentationsX 是经典图像增强库 Albumentations 的延续版本，面向计算机视觉训练场景，提供高性能、多样化的数据增强能力。它解决的核★ 571
TextRLTextRL 是一个基于 Hugging Face Transformers 框架实现 ChatGPT RLHF（基于人类反馈的强化学习）的开源项目，旨在将强化★ 564
x-stable-diffusionx-stable-diffusion 是一个专注于 Stable Diffusion 实时推理加速的开源项目，目标是将延迟降低至 0.88 秒。项目集成了多种主★ 556
vits2_pytorchvits2_pytorch 是 VITS2 文本转语音模型的非官方 PyTorch 实现。VITS2 是 VITS 的改进版本，通过引入流匹配、改进的对抗训练和★ 548
StyleSwinStyleSwin 是一个基于 Transformer 的高分辨率图像生成模型，发表于 CVPR 2022。它针对传统 GAN 在生成高分辨率图像时依赖卷积结构★ 543
storytellerstoryteller 是一个多模态 AI 故事生成器，结合 Stable Diffusion、GPT 和神经文本转语音技术，将文字故事自动转化为图文并茂、带语★ 535
OmniSpaceOmniSpace 是一个本地优先的全栈 AI 创作工作站，把 AI 对话、AI 漫画、漫剧创作、写作台和知识学习五个模块整合到一个应用里。它主要解决创作者在本★ 534
tracemltraceml 是 Polyaxon 生态下的 AI/ML 数据追踪与可视化引擎，专注于解决机器学习实验中的指标跟踪、数据漂移检测和模型可解释性问题。它提供了一★ 533
ml-mdmml-mdm 是苹果开源的文本到图像扩散模型训练框架，目标是在数据和算力都受限的条件下，依然能训练出高质量的生成模型。它针对当前文生图模型训练动辄需要上亿图文对★ 515
Awesome-Singing-Voice-Synthesis-and-Singing-Voice-Conversion这是一个关于歌声合成（SVS）与歌声转换（SVC）的精选论文与项目列表，同时涵盖语音合成（TTS）、语音转换（VC）及相关领域（如音乐合成、自动音乐转录、MOS★ 492
LakonLabLakonLab 是一个专注于图像生成的开源项目，官方实现了 AsymFlow、pi-Flow 和 GMFlow 三种流匹配（Flow Matching）模型。★ 477
mandarin-ttsmandarin-tts 是一个基于 PyTorch 实现的中文普通话语音合成（TTS）开源项目。它采用 FastSpeech 2 作为声学模型，WaveGlo★ 477
MultiModalMambaMultiModalMamba 是一个将视觉 Transformer（ViT）与 Mamba 状态空间模型融合的多模态开源模型实现，目标是构建一个快速、轻量且高★ 475
JetStreamJetStream 是一个面向 XLA 设备（当前以 TPU 为主，未来计划支持 GPU）的 LLM 推理引擎，专注于提升吞吐量和优化内存使用。它解决了在 TP★ 470
Remote-Sensing-RVSARemote-Sensing-RVSA 是遥感领域的基础模型开源项目，对应 TGRS'22 论文《Advancing Plain Vision Transfor★ 469
StyleTTSStyleTTS 是一个基于 PyTorch 的文本到语音（TTS）合成项目，通过风格迁移技术让合成语音具备多样化的情感和韵律表达。它解决了传统 TTS 系统语★ 468
SelectionGANSelectionGAN是一个用于跨视角图像翻译的生成对抗网络模型，发表于CVPR 2019（Oral）。它解决的是给定一个视角的场景图像，生成另一个视角（如航★ 467
JARVIS-ChatGPTJARVIS-ChatGPT 是一个基于 Python 的对话助手项目，旨在将《钢铁侠》中 J.A.R.V.I.S. 的合成语音体验带入现实。它主要解决如何让 ★ 463
haupthaupt 是 Polyaxon 生态中的一个基础设施组件，提供统一的 lineage 元数据 API、工件流、沙箱、API 和 spaces 能力。它主要解决★ 451
ModelAssistantModelAssistant 是矽递科技（Seeed Studio）推出的开源嵌入式 AI 工具链，属于 SenseCraft 生态的一部分。它面向边缘设备上的★ 448
inpainting_gmcnn这是一个基于生成式多列卷积神经网络的图像修复工具，源自NeurIPS 2018论文。它解决的是图像中缺失或损坏区域的智能填充问题，核心能力是利用多列结构捕捉不同★ 435
ACE-Step-StudioACE-Step-Studio 是一个便携式 AI 音乐生成工具，旨在让用户完全离线地创作完整歌曲，包括人声、翻唱和音乐视频。它解决了传统 AI 音乐生成依赖云★ 427
OlympusOlympus 是一个面向计算机视觉任务的通用任务路由器，由 CVPR 2025 Highlight 论文官方开源。它旨在解决多模态大模型（如 LLaVA）在处★ 427
vision-aided-ganvision-aided-gan 是一个 CVPR 2022 Oral 论文的开源实现，核心思想是利用现成的预训练模型（如 CLIP、DINO 等）来辅助 GA★ 422
Auto1111SDKAuto1111SDK 是一个面向 Automatic1111 WebUI 的 Python SDK 库，旨在为开发者提供简洁、稳定的编程接口来运行先进的扩散模★ 412
PnPInversionPnPInversion 是 ICLR 2024 的官方实现，提出一种仅需三行代码即可增强扩散模型编辑能力的方法。它解决现有基于扩散模型的图像编辑中，编辑结果与★ 412
Text-to-Image-Synthesis这是一个基于PyTorch的文本生成图像（Text-to-Image）的GAN实现，对应论文《Generative Adversarial Text-to-Im★ 410
modelstoremodelstore 是一个 Python 库，用于机器学习模型的版本管理、导出和保存。它解决了模型在训练后难以统一管理和复现的问题，支持将模型保存到本地文件系★ 403
pytorch-chatbot这是一个基于PyTorch实现的序列到序列（seq2seq）对话机器人，源自PyTorch官方教程的扩展项目。它主要解决如何用深度学习构建一个简单的端到端聊天模★ 399
Multi-Tacotron-Voice-Cloning这是一个基于多语种Tacotron的语音克隆项目，支持俄语和英语两种语言的音素级语音合成与克隆。它解决了跨语言语音克隆中音素映射和发音准确性的问题，核心能力包括★ 397
HyperSIGMAHyperSIGMA 是发表在 TPAMI'25 上的高光谱智能理解基础模型官方实现。高光谱图像包含数十至数百个连续光谱波段，传统方法难以有效处理其高维性和冗余★ 392
stylegan-vStyleGAN-V 是一个基于 StyleGAN2 架构的连续视频生成模型，由 Snap 研究院在 CVPR 2022 提出。它解决了传统视频生成模型在分辨率★ 391
rust-mlops-templaterust-mlops-template 是一个正在开发中的开源项目，旨在使用 Rust 语言构建机器学习运维（MLOps）解决方案的模板。它针对当前 MLOps★ 387
llms-from-scratch这是一个从零开始用 PyTorch 构建类 ChatGPT 大语言模型的教学项目，通过 Jupyter Notebook 逐步讲解每个实现细节。它解决的是初学者★ 385
q-diffusionQ-Diffusion 是 ICCV 2023 收录的扩散模型量化工具，主要解决 Stable Diffusion 等扩散模型在部署时内存占用大、推理速度慢的问★ 382
mine-aimine-ai 是一个面向金融安全领域的开源参考实现集合，专注于 AI 驱动的支付安全、区块链欺诈检测和反洗钱（AML/CFT）合规推理。它提供了一系列可复用的★ 376
Build-a-Large-Language-Model-from-Scratch这是一个从零开始构建类GPT大语言模型的教育项目，使用PyTorch实现。它旨在帮助开发者深入理解LLM的内部工作原理，通过逐步实现Transformer架构、★ 376
GST-TacotronGST-Tacotron 是一个基于 PyTorch 实现的端到端语音合成系统，核心是引入全局风格令牌（GST）机制，实现对语音风格的无监督建模、控制和迁移。它★ 374
MoE-InfinityMoE-Infinity 是一个基于 PyTorch 的开源库，旨在高效、低成本地服务混合专家（MoE）大语言模型。它解决了 MoE 模型因参数量巨大、推理时显★ 373
Deep-Exemplar-based-Video-Colorization这是一个基于深度学习的视频上色工具，来自CVPR 2019论文。它利用参考图像（示例图）为灰度视频自动添加自然色彩，解决传统视频上色中颜色不一致、需要人工干预的★ 370
create-llmcreate-llm 是一个用 TypeScript 编写的命令行脚手架工具，定位是“语言模型领域的 create-next-app”。它解决的核心问题是：从零★ 370
ai4artistsai4artists 是一个面向 AI 艺术创作者的开源资源聚合清单（awesome-list），旨在系统整理 AI 艺术领域的课程、工具、库、人物与社区。它解★ 365
swiftLLMswiftLLM 是一个极简但高性能的 LLM 推理系统，专为研究目的设计。它用仅约 2000 行 Python 代码实现了与 vLLM 相当的性能，代码量仅为★ 361
Cross-Lingual-Voice-Cloning这是一个基于PyTorch的Tacotron 2实现，专注于跨语言语音克隆。它解决了传统语音合成系统只能使用单一语言训练数据的问题，允许用户用源语言的语音样本克★ 359
fashn-vton-1.5FASHN VTON v1.5 是一个基于扩散模型的虚拟试穿（Virtual Try-On）开源项目，专注于在像素空间实现无需掩码的高效服装迁移。它解决了传统虚★ 355