#pruning Repositories
Entdecke 20 aktive Open-Source-GitHub-Repositories, die mit #pruning getaggt sind und insgesamt 47,055 Sterne gesammelt haben (durchschnittlich 2,352 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist datawhalechina/leedl-tutorial mit 16,879 Sternen.
Insgesamt 20 Repositories
《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
[CVPR 2023] DepGraph: Zu beliebiger struktureller Beschneidung; LLMs, Vision Foundation Models usw.
AIMET ist eine Bibliothek, die fortschrittliche Quantisierungs- und Komprimierungstechniken für trainierte neuronale Netzwerkmodelle bereitstellt.
SOTA Low-Bit-LLM-Quantisierung (INT8/FP8/MXFP8/INT4/MXFP4/NVFP4) und Sparsity; führende Modellkomprimierungstechniken auf PyTorch, TensorFlow und ONNX Runtime
micronet, eine Bibliothek für Modellkompression und Deployment. Kompression: 1、Quantisierung: Quantisierungs-bewusstes Training(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternary and Binary(TWN/BNN/XNOR-Net); Post-Training-Quantisierung(PTQ), 8-Bit(tensorrt); 2、Pruning: normal、regular and group convolutional channel pruning; 3、Gruppenkonvolutionsstruktur; 4、Batch-Normalisierungs-Fusion für Quantisierung. Deployment: tensorrt, fp32/fp16/in
PaddleSlim ist eine Open-Source-Bibliothek für die Komprimierung tiefer Modelle und die Architektursuche.
Ein Toolkit zur Optimierung von ML-Modellen für die Bereitstellung bei Keras und TensorFlow, einschließlich Quantisierung und Pruning.
Framework für neuronale Netzwerkkompression für verbesserte OpenVINO™-Inferenz
[NeurIPS 2023] LLM-Pruner: Zur strukturellen Beschneidung großer Sprachmodelle. Unterstützung für Llama-3/3.1, Llama-2, LLaMA, BLOOM, Vicuna, Baichuan, TinyLlama usw.
Ein leistungsstarkes Framework zur Modellkompression für LLMs und LVLMs, angepasst für NVIDIA GPUs und Huawei Ascend NPUs.
TinyNeuralNetwork ist ein effizientes und einfach zu bedienendes Framework für die Komprimierung von Deep-Learning-Modellen.
[EMNLP 2024 & AAAI 2026] Ein leistungsstarkes Toolkit zum Komprimieren großer Modelle, einschließlich LLMs, VLMs und Video-Generierungsmodellen.
[ICLR 2024] Sheared LLaMA: Beschleunigung des Vortrainings von Sprachmodellen durch strukturierte Beschneidung
Zusammenfassung, Code für Deep Neural Network Quantization
Beeindruckende Forschungspapiere zur Komprimierung von Machine-Learning-Modellen, Quantisierung, Tools und Lernmaterialien.
Häufig gestellte Fragen
Welches ist das beliebteste #pruning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#pruning-Projekt auf GitHub ist datawhalechina/leedl-tutorial mit 16,879 Sternen. 《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
Welche Programmiersprachen werden in #pruning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #pruning-Projekten auf GitHub sind Python, Jupyter Notebook, Go die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #pruning-Repositories berechnet?
Wir verfolgen 20 aktive Open-Source-Repositories, die mit #pruning getaggt sind (500+ Sterne), mit insgesamt 47,055 Sternen und durchschnittlich 2,352 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.