The Fundamentals of Modern Deep Learning with PyTorch – “在PyTorch项目中应用教程中的概念”-适合各级开发者的深度学习教程

这是一个面向中文读者的深度学习教科书，每一小节都是可以运行的 Jupyter 记事本，配套视频，旨在通过实践教授深度学习的基础和进阶知识。学习者可以自由修改代码和参数，获取及时反馈，积累深度学习的实战经验。该项目已被全球70多个国家的500多所大学用于教学。

《2000 Machine Learning Prompts》是一个全面的资源，旨在帮助爱好者学习和实验机器学习，使他们熟悉其功能和在不同上下文中的应用。

一个内容完善易懂的 Python 学习资料，讲的很详细，也很全面。

Kanalize 是一个简单的工具，旨在为开发者生成开源项目创意。当你感到无聊并想要尝试新东西时，它可以帮助你找到有趣的项目想法。

建立在HuggingFace模型和PyTorch Fully Sharded Data Parallelism基础上的训练套件，旨在优化吞吐量，简化在资源受限环境中训练中型模型的分布式方案设置工作流程，尤其适用于学术集群。

这是一本由李宏毅老师和Datawhale团队出品的电子书，整理了李老师的视频教程，涵盖深度学习的理论与实战，提供丰富的学习资源和配套代码，适合各层次的学习者。

PyTorch实用教程（第二版）：面向深度学习工程师的全面指南，覆盖从零基础到项目应用和工程化部署的各个阶段，旨在帮助读者轻松掌握PyTorch的使用

RunPod是一个全球分布的云平台，专门用于运行AI推理和训练。它提供GPU实例，支持流行的框架如TensorFlow和PyTorch，使得AI工作负载的处理变得简单便捷。用户可以通过注册账号并登录，部署基于容器的GPU实例，选择不同的GPU类型和区域以满足特定需求。RunPod还提供无服务器GPU计算、各种应用的AI端点以及增强隐私和安全性的安全云选项。

book.fast.ai是为阅读fastai书籍的读者提供的信息平台，包含代码示例、教程以及深度学习从业者的资源。项目定期更新，提供新内容和改进，帮助用户更好地理解和应用深度学习概念。

river-torch是一个基于PyTorch的Python库，专为在线深度学习而设计，支持实时数据的模型适应。它与River框架无缝集成，提供多种神经网络架构，并包含模型评估和性能监控工具。

本课程讲述量化基础知识，旨在帮助开发人员压缩模型以便在消费者硬件上运行。

traiNNer是一个基于PyTorch的深度学习框架，旨在实现图像和视频的超分辨率、恢复以及图像到图像的翻译。它提供了灵活的模型结构，支持多种功能，适用于不同的图像处理需求。

Apple Silicon开发环境配置指南，为开发者提供在Apple Silicon芯片上安装和配置PyTorch、TensorFlow和JAX的指导，助力在M1/M2芯片上高效运行机器学习框架

smalldiffusion 是一个用于训练和采样扩散模型的简单易读的代码库，支持从最简单的玩具模型到最先进的预训练模型的实验。其核心代码只有不到100行，基于PyTorch框架，非常适合快速理解和实验。

Slideflow是一个用于组织学图像分析的深度学习流水线，支持Tensorflow/Keras和PyTorch。它提供了一个便捷的环境来构建和管理图像分析工作流程，具有良好的可扩展性，可以满足各种图像分析需求。

openpi是一个开源的机器人模型和工具包，旨在实现智能视觉、语言和动作的一体化。它提供多种预训练模型和微调示例，支持多种机器人平台，如ALOHA和DROID。项目具备高参数模型，支持复杂的物理操作任务，适用于家庭自动化、物理智能研究以及复杂操作算法的开发和测试。

《理解深度学习》是由Simon J.D. Prince编写的一本关于深度学习的专业书籍，内容涵盖深度学习的理论基础、性能评估、卷积网络、Transformers、图神经网络、生成对抗网络（GANs）、扩散模型（Diffusion Models）、强化学习等主题。书中提供了深入的理论和实践指导，并附有大量练习题，适合初学者和有经验的研究人员。

LeRobot 是一个端到端的训练框架，专注于真实世界的机器人技术，通过 PyTorch 提供模型、数据集和工具，旨在降低机器人技术的准入门槛，使研究者和开发者能够更轻松地开发和测试机器人应用。

以爱丽丝漫游“可微分”仙境为比喻，向读者介绍神经网络领域的入门书，涵盖自动微分优化函数、序列、图、文本和音频处理的设计技术。