「training」の検索結果

Use CLAM for weakly supervised computational pathology workflows on whole-slide images, from WSI patching through features, training, evaluation, and heatmaps.

日本語の概要は準備中です。原文の説明を表示しています。

Route ClearerVoice-Studio tasks for ClearVoice inference, SpeechScore metrics, and speech-model training or data-preparation workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Routes CogDL graph-learning workflows for experiments, graph data, models, training wrappers, and pipeline apps.

日本語の概要は準備中です。原文の説明を表示しています。

Route Boltz package tasks for biomolecular structure and affinity prediction, data preparation, training, and evaluation workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Route BiRefNet image segmentation, matting, inference, configuration, training, evaluation, and model-export workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Guides CUDA-based BigGAN-PyTorch training, checkpoint sampling, dataset preparation, metric preparation, model customization, and optional TensorFlow Hub weight conversion.

日本語の概要は準備中です。原文の説明を表示しています。

Route Asteroid tasks to the right sub-skill for pretrained inference, training recipes, custom model building, and model sharing.

日本語の概要は準備中です。原文の説明を表示しています。

Use jadore801120 attention-is-all-you-need-pytorch for Transformer architecture inspection, preprocessing, training, and checkpoint translation workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Routes AutoTrain Advanced installation, CLI, config, training, UI/API, backend, and utility workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Routes AXLearn training, language-model, vision, audio/ASR, and GCP CLI workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Routes agents working with Axolotl config-driven LLM fine-tuning, datasets, SFT, preference tuning, GRPO/EBFT, model adapters, distributed training, CLI operations, and troubleshooting.

日本語の概要は準備中です。原文の説明を表示しています。

Routes BackgroundMattingV2 tasks for background matting inference, export, and training workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Operate Baichuan-7B model loading, architecture inspection, C-Eval/MMLU evaluation preflights, and DeepSpeed pretraining setup from self-contained repo guidance.

日本語の概要は準備中です。原文の説明を表示しています。

Routes BasicTS time-series training, dataset, model, and pipeline workflows through focused sub-skills.

日本語の概要は準備中です。原文の説明を表示しています。

Route BEIR repository tasks for benchmark data loading, retrieval evaluation, reranking, generation, and training workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Use BERT-pytorch for corpus preparation, vocabulary building, and tiny BERT pretraining workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Routes BEVFormer camera-only 3D detection workflows, from install/import and config inspection through nuScenes data prep, distributed training and evaluation, and log analysis.

日本語の概要は準備中です。原文の説明を表示しています。

Guide agents through AgiBot X1 humanoid reinforcement-learning training, checkpoint playback, policy export, and MuJoCo sim2sim workflows with verified configuration contracts and explicit Isaac Gym limits.

日本語の概要は準備中です。原文の説明を表示しています。

Routes AdelaiDet users through legacy-compatible setup, model config selection, training/evaluation, demos, text spotting, dataset preparation, and export/conversion workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Use Hugging Face Accelerate for PyTorch training-loop migration, distributed launch/configuration, DeepSpeed/FSDP/TPU backend setup, big-model inference/offload, checkpointing, tracking, and troubleshooting.

日本語の概要は準備中です。原文の説明を表示しています。

Guide 3DDFA Python inference, geometry rendering, training/evaluation, and optional C++ ONNX workflows for 3D dense face alignment.

日本語の概要は準備中です。原文の説明を表示しています。

Routes 3D ResNets PyTorch video action-recognition workflows across training, inference, and data preparation.

日本語の概要は準備中です。原文の説明を表示しています。

Routes substantive ML, AI, data, scientific-computing, and software-engineering requests to the smallest useful set of managed repository skills. Invoke proactively when a request names or implies a package, framework, model family, dataset, modality, workflow, backend, deployment target, evaluation method, or implementation approach that may benefit from repository guidance, even if no repository is named. Narrow progressively from area to family to repository root: inspect only the one or two most likely area pages; compare candidates by capability, task surface, model/data format, training versus inference versus evaluation intent, runtime constraints, and root-skill description; then open only the selected root and relevant sub-skills, references, or scripts. Select multiple repositories only when each adds a distinct capability. Do not load the whole collection, treat dependencies or incidental integrations as capabilities, choose by name alone, or force a match when no exact taxonomy family applies.

日本語の概要は準備中です。原文の説明を表示しています。

Operate the Align-Anything multimodal alignment package, including training, serving, remote reward models, and satellite projects.

日本語の概要は準備中です。原文の説明を表示しています。