#jax Repositories
Insgesamt 138 Repositories
Offizielle JAX-Implementierung von End-to-End Test-Time Training für lange Kontexte
Lesbare, skalierbare, reproduzierbare Fundamentmodelle mit benannten Tensoren und Jax
Untersuchen, visualisieren und beeinflussen Sie jede Operation in jedem neuronalen Netzwerk. Erfassen Sie jede Aktivierung und jeden Gradienten, den vollständigen Berechnungsgraphen und über 800 Metadatenfelder, ohne den Modellcode zu ändern. Unterstützt PyTorch, JAX, TensorFlow, MLX, PaddlePaddle und tinygrad. An über 6.400 Modellen validiert. Entwickelt für Forschende und ihre KI-Agenten.
Ursprüngliche Implementierung von Prompt Tuning nach Lester et al, 2021
Leitfaden für maschinelles Lernen. Erfahren Sie alles über Machine-Learning-Tools, Bibliotheken, Frameworks, Large Language Models (LLMs) und Trainingsmodelle.
Nichtlineare Optimierung (Nullstellenbestimmung, kleinste Quadrate, ...) in JAX+Equinox. https://docs.kidger.site/optimistix/
Lösen von Vorwärts- und Inversproblemen im Zusammenhang mit partiellen Differentialgleichungen mithilfe von endlichen Basis physikbasierten neuronalen Netzen (FBPINNs)
Pax ist ein Jax-basiertes Machine-Learning-Framework für das Training von Modellen im großen Maßstab. Pax ermöglicht fortgeschrittene und vollständig konfigurierbare Experimente und Parallelisierung und hat branchenführende Auslastungsraten bei Model-Flops gezeigt.
Vom Lehrer zu Kacheln — eine von Grund auf neu entwickelte LLM-Destillations- und Serving-Engine: benutzerdefinierte Triton/CUDA-Kernel, FSDP-Destillation, kontinuierliches Batching mit paged-KV, spekulative Dekodierung, ein Rust-Gateway, ein JAX-Orakel und Interpretierbarkeitswerkzeuge.
Zero-Copy MPI-Kommunikation von JAX-Arrays, für turbogeladene HPC-Anwendungen in Python :zap:
Ein modellprädiktiver Regler für vierbeinige Roboter, basierend auf dem Ein-Starrkörper-Modell und in Python geschrieben. Gradientenbasiert (acados) oder Stichprobenbasiert (jax).