#distributed-training Repositories
Entdecke 147 aktive Open-Source-GitHub-Repositories, die mit #distributed-training getaggt sind und insgesamt 615,835 Sterne gesammelt haben (durchschnittlich 4,189 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist tensorflow/models mit 77,631 Sternen.
Insgesamt 147 Repositories
Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
Die größte Sammlung von PyTorch-Bildencodern / Backbones. Einschließlich Trainings-, Eval-, Inferenz-, Export-Skripte und vortrainierte Gewichte -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt und mehr
PArallel Distributed Deep LEarning: Machine Learning Framework aus der industriellen Praxis (Der Kern-Framework『FeiJiang』, High-Performance-Training für Deep Learning & Machine Learning auf Einzelrechnern und verteilt sowie plattformübergreifende Bereitstellung)
Eine Reihe von Beispielen rund um Pytorch in den Bereichen Vision, Text, Reinforcement Learning usw.
Benutzerfreundliche und leistungsstarke LLM- und SLM-Bibliothek mit einer beeindruckenden Modellbibliothek.
Die KI-Compute-Plattform für Spitzenteams. SkyPilot verwandelt fragmentierte KI-Rechenleistung in einen KI-Supercomputer, sodass Spitzenteams schneller maßgeschneiderte Intelligenz entwickeln.
Grundlagen großer Modelle: Verstehen Sie die Grundlagen großer Modelle in einem Artikel
Meta Lingua: eine schlanke, effiziente und leicht zu erweiternde Codebasis zur Erforschung von LLMs.
MindSpore ist ein neues Open-Source-Deep-Learning-Trainings-/Inferenz-Framework, das für mobile, Edge- und Cloud-Szenarien verwendet werden könnte.
Teilen von AI-Infrastrukturwissen und Code-Praxis: PyTorch, vLLM/SGLang, Einführung in das slime/vime-Framework ⚡️, Leistungsbeschleunigung 🚀, Grundlagen großer Modelle 🧠, KI-Software und -Hardware 🔧 usw.
Ein industrielles Deep-Learning-Framework für hochdimensionale Sparse-Daten
Fengshenbang-LM (封神榜大模型) ist ein quelloffenes großes Modellsystem, das vom Forschungszentrum für kognitive Berechnungen und natürliche Sprachverarbeitung des IDEA-Instituts geleitet wird und die Grundlage für chinesisches AIGC und kognitive Intelligenz bildet.
FEDML – Die einheitliche und skalierbare ML-Bibliothek für groß angelegtes verteiltes Training, Model Serving und Federated Learning. FEDML Launch, ein Cross-Cloud-Scheduler, ermöglicht ferner die Ausführung beliebiger KI-Jobs in jeder GPU-Cloud oder jedem On-Premise-Cluster. Auf dieser Bibliothek aufbauend, ist TensorOpera AI (https://TensorOpera.ai) Ihre generative KI-Plattform im großen Maßstab.
FlagAI (Fast LArge-scale General AI models) ist ein schnelles, einfach zu bedienendes und erweiterbares Toolkit für große KI-Modelle.
Deformable DETR: Deformable Transformer für die End-to-End Objekterkennung.
Eine Plattform für Reasoning-Systeme (Reinforcement Learning, Contextual Bandits usw.)
PyTorch-Erweiterungen für Hochleistungs- und groß angelegtes Training.
Miles ist ein auf Unternehmen ausgelegtes Verstärkungslern-Framework für die Nachtrainierung von LLM und VLM, abgezweigt von und gemeinsam mit slime weiterentwickelt.
Determined ist eine Open-Source-Plattform für maschinelles Lernen, die verteiltes Training, Hyperparameter-Tuning, Experimentverfolgung und Ressourcenmanagement vereinfacht. Funktioniert mit PyTorch und TensorFlow.
Ein bidirektionaler Pipeline-Parallelismus-Algorithmus für die Berechnung-Kommunikations-Überlappung beim DeepSeek V3/R1-Training.
Referenzimplementierung für DPO (Direct Preference Optimization)
Dieses Repository zeichnet hauptsächlich Interviewfragen für Algorithmusingenieure für große Modelle (LLMs) auf.
Dezentrales Deep Learning in PyTorch. Entwickelt, um Modelle auf Tausenden von Freiwilligen auf der ganzen Welt zu trainieren.
Häufig gestellte Fragen
Welches ist das beliebteste #distributed-training-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#distributed-training-Projekt auf GitHub ist tensorflow/models mit 77,631 Sternen. Modelle und Beispiele, die mit TensorFlow erstellt wurden
Welche Programmiersprachen werden in #distributed-training-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #distributed-training-Projekten auf GitHub sind Python, Jupyter Notebook, C++, HTML die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #distributed-training-Repositories berechnet?
Wir verfolgen 147 aktive Open-Source-Repositories, die mit #distributed-training getaggt sind (500+ Sterne), mit insgesamt 615,835 Sternen und durchschnittlich 4,189 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.