#gpu Repositories
Insgesamt 302 Repositories
GPU-Shader und Compute-Kernels mithilfe der CrossGL-IR zwischen GLSL, HLSL, Metal, SPIR-V, Slang, CUDA und HIP sowie in WGSL übersetzen
Führen Sie KI-Modelle lokal auf Ihrem Computer mit Node.js-Bindings für llama.cpp aus. Erzwingen Sie ein JSON-Schema für die Modellausgabe auf der Generierungsebene.
cuTile ist ein Programmiermodell zum Schreiben paralleler Kernels für NVIDIA GPUs
🦀🌡️ Echtzeit-Systemmonitor für Macs mit Apple Silicon. Kein sudo erforderlich. TUI, JSON/Prometheus-Metrikserver und Rust-Bibliothek.
Ein GPU-beschleunigtes Framework zur Bild- und Videoverarbeitung, das auf Metal basiert.
Ein physikalisch basierter GPU-Pfadverfolger als Spielzeug (C++/OpenGL/GLSL)
GLIM: vielseitiges und erweiterbares framework für 3D-Lokalisierung und Kartierung auf Basis von Punktwolken
NCNN-Implementierung von Real-ESRGAN. Real-ESRGAN zielt darauf ab, praktische Algorithmen für die allgemeine Bildwiederherstellung zu entwickeln.
Der beste NVIDIA GPU Update-Checker für Windows-Power-User/Gamer. Vollständig Open Source und leicht.
Aufzeichnung einiger Demos, die ich während des Lernens von Unity Shader implementiert habe.
Ein neuer Ansatz für Emacs – einschließlich TypeScript, Threading, Async I/O und WebRender.
Open-Source-Compiler für CUDA, Triton und HIP, der auf mehrere GPU- und CPU-Architekturen abzielt.
TT-NN-Operatorbibliothek und das TT-Metalium Low-Level-Kernel-Programmiermodell.
Eine Sammlung von GICP-basierten schnellen Punktwolken-Registrierungsalgorithmen
AutoResearch für GPU-Kernels. Geben Sie beliebiges PyTorch-Modell, schalten Sie es in den Schlafmodus und lassen Sie es mit optimierten Triton-Kernels aufwachen.
Eine leichtgewichtige 2D-Grafikbibliothek für moderne GPUs, die hochperformantes Text-, Bild- und Vektorrendering auf wichtigen Plattformen liefert.
Großartige Listen für Tenure-Track-Assistenzprofessoren und Doktoranden. (Leitfaden für das Überleben von Assistenzprofessoren/Doktoranden)
UCCL ist eine effiziente Kommunikationsbibliothek für GPUs, die Kollektive, P2P (z. B. KV-Cache-Übertragung, RL-Gewichtsübertragung) und EP (z. B. GPU-gesteuert) abdeckt.
Hochrangiges Deep-Learning-Framework, geschrieben in Kotlin und inspiriert von Keras
eine schnelle und benutzerfreundliche Laufzeitumgebung für Transformer-Inferenz (Bert, Albert, GPT2, Decoders usw.) auf CPU und GPU.
Next-Gen-Schnellzeichnungsbibliothek, die auf WGPU mit der pygfxRendering-Engine läuft
Das Terminal, das sein Fenster überlebt. Shells bleiben nach dem Beenden der App erhalten, Agenten können andere Agenten steuern, und entfernte Rechner funktionieren genauso. Reines Rust, GPU-gerendert.
Visual SLAM/Odometrie-Paket basierend auf NVIDIA-beschleunigtem cuVSLAM
🌊 Julia-Software für schnelle, freundliche, flexible, ozeanisch gewürzte Fluiddynamik auf CPUs und GPUs
Eine effiziente C++20 GPU-Bibliothek für numerische Berechnungen mit Python-ähnlicher Syntax
Eine GPU-beschleunigte Computing-Bibliothek für Physiksimulationen und andere GPGPU-Berechnungen in einem Webbrowser.
Berechnen Sie den Token/s- & GPU-Speicherbedarf für jedes LLM. Unterstützt Quantisierung von llama.cpp/ggml/bnb/QLoRA
Die Erweiterung für Scikit-learn ist eine nahtlose Möglichkeit, Ihre Scikit-learn-Anwendung zu beschleunigen.