- KHNNs: 使用 TensorFlow 和 PyTorch 在 Keras 中进行的超复杂神经网络计算
神经网络的超复数计算在某些应用中表现更好，我们建议使用与 Keras 集成的库在 TensorFlow 和 PyTorch 中进行超复数计算。
- Pytorch-Wildlife：一个用于保护的协作深度学习框架
通过 PyTorch 构建的开源深度学习平台 Pytorch-Wildlife，可用于动物检测和分类，其应用于亚马逊雨林和加拉帕戈斯群岛的物种识别和入侵负鼠识别等真实场景中，取得了高水平的准确性，并为保护环境提供了多样化的解决方案。
- TorchSurv: 深度生存分析的轻型软件包
TorchSurv 是一个 Python 包，作为 PyTorch 环境中执行深度生存模型的伴侣工具。它不同于现有的库，不强制采用特定的参数形式，而是允许使用基于 PyTorch 的自定义深度生存模型。TorchSurv 具有轻量级设计、最 - Qandle：利用门矩阵缓存和电路分割加速状态向量模拟
为了解决与量子电路状态向量模拟相关的计算复杂性问题，我们提出了一种组合应用先进技术来加速电路执行的方法。通过量子门矩阵缓存和电路分割，我们减少了应用门矩阵到状态向量时的重复计算量，并通过使用 PyTorch 机器学习框架实现了这些技术。我们 - iSpLib: 使用自动调节稀疏操作加速图神经网络的库
iSpLib 是一个基于 PyTorch 和 C++ 的库，用于加速图神经网络（GNN）的训练，并通过自动调优稀疏操作提高性能。该库在本地缓存中存储中间矩阵，通过用户友好的 Python 插件，仅需额外两行代码就能利用我们优化的 PyTor - Python 实现线性系统的循环利用方法，并应用于多目标优化
通过对线性系统和多目标优化的研究，我们评估了使用常见回收方法解决线性系统时的性能，并讨论了在 Python 和 PyTorch 中实现这些回收策略的挑战和解决方案。我们的目标是在已建立的帕累托前沿代码中实现 RMINRES，并在 Pytho - 基于 PyTorch 的符合性预测库 TorchCP
TorchCP 是一个用于深度学习模型上的符合预测研究的 Python 工具箱，基于 PyTorch 构建，结合矩阵计算的优势提供了简洁高效的推断实现。
- 通过可微编程缩小 SGP4 和高精度传播之间的差距
利用 PyTorch 实现的 dSGP4 是 SGP4 的可微分版本，将现代机器学习技术与轨道传播器结合，通过优化模型的输入、输出和参数，提高了 SGP4 的精度，同时保持了计算速度。
- XuanCe: 一种全面统一的深度强化学习库
这篇研究论文介绍了 XuanCe，一个全面统一的深度强化学习（DRL）库，旨在与 PyTorch、TensorFlow 和 MindSpore 兼容。XuanCe 提供了广泛的功能，包括超过 40 种经典的 DRL 和多智能体 DRL 算法 - CasADi 中的学习：数值优化中的数据驱动模型
L4CasADi framework enables the seamless integration of PyTorch-learned models with CasADi for efficient and potentially - 使用 Captum 解释生成语言模型
Captum 是一个针对 PyTorch 的全面可解释性库，提供了从可解释性文献中借鉴的一系列方法，以增进用户对 PyTorch 模型的理解。本文介绍了在 Captum 中新增的针对分析生成型语言模型行为的功能，并提供了可用功能的概述以及其 - PyTorch 上的 VMAF 重新实现：一些实验结果
基于标准的 VMAF 实现，我们提出了一个使用 PyTorch 框架的 VMAF 实现。通过与标准库 VMAF 的比较，我们发现在 VMAF 单位上的差异小于 10^-2。我们研究了使用 VMAF 作为目标函数时的梯度计算，并证明使用该函数 - 基于 Pytorch 的遮蔽式生成图像变换的再现
通过使用 PyTorch 实现 MaskGIT: Masked Generative Image Transformer 模型，我们复现了原始论文中的结果，并在 ImageNet 数据集上使用类似的超参数达到 7.59 的 FID，同时通过 - OpenMM 8：使用机器学习势的分子动力学模拟
机器学习在分子模拟中扮演重要且日益增长的角色，OpenMM 分子动力学工具包的最新版本引入了新特性，支持使用机器学习模型进行模拟优化。
- BayesDLL：贝叶斯深度学习库
我们发布了一个新的用于 PyTorch 的贝叶斯神经网络库，用于大规模深度网络。该库实现了主要的近似贝叶斯推断算法：变分推断、MC-dropout、随机梯度 MCMC 和拉普拉斯近似。与其他现有的贝叶斯神经网络库相比，我们的库具有以下主要区 - 用于数据驱动信号处理和信号理解的复数神经网络
本文介绍了基于 PyTorch 开发的一个包，旨在实现常见复数值神经网络操作和架构的轻量级接口，为数据驱动的信号处理研究和实际应用提供了有用的工具和文档。
- 深度学习模型的 CPU 和 GPU 性能分析比较
使用 Pytorch 实现深度神经网络时，本文通过分析 CPU 和 GPU 的时间和内存分配，显示 GPU 相比 CPU 在深度神经网络的训练中运行时间更短，但在简化网络中，GPU 相比 CPU 没有太多显著的改进。
- 提升手语三维姿态估计
通过将前向运动学与神经网络相结合，本研究提出了一种快速有效的方法，将图像中的二维关键点提升到三维骨架，预测关节旋转和骨长，并利用神经网络中的 FK 层与骨骼约束相结合，实现了对三维骨骼姿势的快速准确估计。在定量和定性评估中，我们证明了该方法 - 通过动态激活函数优化前馈和卷积神经网络的性能
复杂的分段线性激活函数在浅层和深层卷积神经网络中比 ReLu 激活函数效果更好，并使用 PyTorch 进行结果比较。
- PyTorch 内部错误的实证研究：一项复制研究
通过研究 PyTorch 库的 bug 识别和修复过程，我们发现 PyTorch 的 bug 更像传统软件项目的 bug，而不是与深度学习特性有关的。同时，我们还将结果与对 TensorFlow 的研究进行了比较，突出了在 bug 识别和修