发现与 Mv Softmax 相关的最受欢迎的开源项目和工具，了解最新的开发趋势和创新。
基于PyTorch的变分自动编码器（VAE）集合
标签平滑、角度软最大值、局部全连接、焦点损失、三元组损失、洛瓦兹软最大值。这些可能有用。
基于BERT模型的中文命名实体识别（使用Softmax、CRF和Span方法）
人脸识别PyTorch工具箱
NCRF++是一个神经序列标注工具包，易于用于任何序列标注任务（例如命名实体识别、词性标注、分词）。它包含字符LSTM/CNN、词语LSTM/CNN和softmax/CRF组件。
CVPR 2017论文《SphereFace：用于人脸识别的深度超球面嵌入》的实现。
Lovász-Softmax 损失函数代码 (CVPR 2018)
768分辨率，任意SDXL模型，多种条件，任意视角。这是论文“MV-Adapter：轻松实现多视角一致性图像生成”的官方实现。
一个使用PyTorch和Torchtext构建的深度学习框架，用于自然语言处理。
【ECCV论文】Swin2SR：基于SwinV2 Transformer的压缩图像超分辨率和恢复技术。该成果已发表于ECCV 2022 年的图像处理进展（AIM）研讨会。快来试试吧！线上运行次数已超过330万次！ https://replicate.com/mv-lab/swin2sr
PyTextClassifier是一个文本分类工具包，它实现了多种分类模型，例如逻辑回归（LR）、XGBoost、TextCNN、FastText、TextRNN和BERT等，可以直接使用，无需额外配置。
一种简单有效的用于人脸验证的损失函数。
一种用于图像分类的卷积神经网络 (CNN) 和线性支持向量机 (SVM) 结合架构
重新思考语义分割：原型视角（CVPR 2022 大会口头报告）
Ytk-learn是一个分布式机器学习库，实现了大多数常用的机器学习算法，包括梯度提升决策树 (GBDT, GBRT)，混合逻辑回归，梯度提升软树，分解机，域感知分解机，逻辑回归和Softmax。
PyTorch实现的基于噪声对比估计的softmax输出
《神经信息处理系统大会（NeurIPS）2021 亮点论文》&《国际计算机视觉期刊（IJCV）2024》SOFT：一种线性复杂度的无Softmax变换器
RNNSharp是一个深度循环神经网络工具包，广泛应用于各种任务，例如序列标注、序列到序列转换等等。它使用C#语言编写，基于.NET Framework 4.6或更高版本。RNNSharp支持多种网络类型，例如前向和双向网络、序列到序列网络，以及多种类型的网络层，例如LSTM、Softmax、采样Softmax等。
本系统能够分析26种瑞士德语方言、意大利语、德语、简体中文、法语和意大利语等多种语言的文本。并运用自然语言理解（NLU）技术，提供情感分析、实体分析、实体情感分析、内容分类和句法分析等功能。
神经信息处理系统大会（NeurIPS 2021）论文：Galerkin Transformer：一种用于偏微分方程的无需Softmax的线性注意力机制
