#ray Repositories
Entdecke 27 aktive Open-Source-GitHub-Repositories, die mit #ray getaggt sind und insgesamt 155,511 Sterne gesammelt haben (durchschnittlich 5,759 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist GokuMohandas/Made-With-ML mit 50,112 Sternen.
Insgesamt 27 Repositories
Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
Ray ist ein AI-Compute-Engine. Ray besteht aus einem zentralen verteilten Runtime und einem Satz von AI-Bibliotheken zur Beschleunigung von ML-Workloads.
Hochleistungs-Daten-Engine für KI und multimodale Workloads. Verarbeiten Sie Bilder, Audio, Video und strukturierte Daten in beliebigem Umfang.
pandas auf AWS - Einfache Integration mit Athena, Glue, Redshift, Timestream, Neptune, OpenSearch, QuickSight, Chime, CloudWatchLogs, DynamoDB, EMR, SecretManager, PostgreSQL, MySQL, SQLServer und S3 (Parquet, CSV, JSON und EXCEL).
CSGHub ist eine brandneue Open-Source-Plattform zur Verwaltung von LLMs, entwickelt vom OpenCSG-Team. Es bietet sowohl Open-Source- als auch On-Premise/SaaS-Lösungen mit Funktionen, die mit Hugging Face vergleichbar sind. Erhalten Sie die volle Kontrolle über den Lebenszyklus von LLMs, Datensätzen und Agenten, mit Python SDK-Kompatibilität mit Hugging Face. Machen Sie mit! ⭐️
Erfahren Sie, wie Sie produktionsreife ML-Anwendungen entwerfen, entwickeln, bereitstellen und iterieren.
Eine offene Lakehouse-Engine für Agenten – Postgres-, Vektor- und Python-nativ. Spricht PostgreSQL, läuft auf Ihrem Objektspeicher und ist in Rust geschrieben.
Mars ist ein tensorbasierter einheitlicher Rahmen für die Berechnung großer Datenmengen, der numpy, pandas, scikit-learn und Python-Funktionen skaliert.
Echtzeit-Path-Tracing mit globaler Beleuchtung und progressivem Rendering, alles auf dem Three.js WebGL-Framework aufbauend. Klicken Sie hier für die Live-Demo: https://erichlof.github.io/THREE.js-PathTracing-Renderer/Geometry_Showcase.html
Ein physikalisch basierter GPU-Pfadverfolger als Spielzeug (C++/OpenGL/GLSL)
Ein umfassender Leitfaden zum Erstellen von RAG-basierten LLM-Anwendungen für die Produktion.
Eine Sammlung von realen KI/ML-Exploits für verantwortungsvoll offengelegte Schwachstellen
Ein Repository ist alles, was für Multi-Agent Reinforcement Learning (MARL) notwendig ist
Verteilen und Ausführen von KI-Workloads auf Kubernetes auf magische Weise in Python, wie PyTorch für die ML-Infrastruktur.
Ein lokaler Debugging-Server, eine einzige Binärdatei: Er erfasst Fehler, Dumps, E-Mails, Protokolle, Profile und HTTP-Verkehr deiner App während der Entwicklung. Unterstützt Sentry, Ray, VarDumper, Monolog, SMTP und XHProf. Mock-Server, Xdebug im Browser und MCP für KI-Agenten.
DoEKS ist ein Tool zum Erstellen, Bereitstellen und Skalieren von Datenplattformen auf Amazon EKS
Ein einfacher Ray Tracer, der Numpy-Arrays und -Funktionen nutzt, um einigermaßen schnell zu arbeiten.
Häufig gestellte Fragen
Welches ist das beliebteste #ray-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#ray-Projekt auf GitHub ist GokuMohandas/Made-With-ML mit 50,112 Sternen. Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
Welche Programmiersprachen werden in #ray-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #ray-Projekten auf GitHub sind Python, Jupyter Notebook, Go, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #ray-Repositories berechnet?
Wir verfolgen 27 aktive Open-Source-Repositories, die mit #ray getaggt sind (500+ Sterne), mit insgesamt 155,511 Sternen und durchschnittlich 5,759 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.