#automatic-differentiation Repositorios
Descubre 50 repositorios activos de código abierto de GitHub etiquetados con #automatic-differentiation, que acumulan 94,135 estrellas en total (una media de 1,882 estrellas por proyecto). El líder de este tema es karpathy/micrograd, con 19,036 estrellas.
50 repositorios en total
Un diminuto motor autograd con valores escalares y una biblioteca de redes neuronales sobre él con API similar a PyTorch
Gorgonia es una biblioteca que ayuda a facilitar el aprendizaje automático en Go.
MindSpore es un nuevo marco de entrenamiento/inferencia de aprendizaje profundo de código abierto que podría utilizarse para escenarios móviles, de borde y en la nube.
Una implementación rápida y flexible de algoritmos de dinámica de cuerpos rígidos y sus derivadas analíticas
PennyLane es una plataforma de software cuántico de código abierto para computación cuántica, aprendizaje automático cuántico y química cuántica. Crea algoritmos cuánticos significativos, desde la inspiración hasta la implementación.
Biblioteca autónoma de Machine Learning y Procesamiento del Lenguaje Natural en Go
Lenguaje de investigación para el procesamiento de arrays en la familia Haskell/ML
Una biblioteca de tensores rápida, ergonómica y portátil en Nim con enfoque en aprendizaje profundo para CPU, GPU y dispositivos integrados a través de backends OpenMP, Cuda y OpenCL
Optimización del diseño de aeronaves acelerada mediante transformaciones de grafos computacionales (p. ej., diferenciación automática). Herramientas de análisis componibles para aerodinámica, propulsión, estructuras, diseño de trayectoria y mucho más.
Tiny Differentiable Simulator es una biblioteca física C++ y CUDA solo en encabezado para aprendizaje por refuerzo y robótica con cero dependencias.
Operaciones de Kernel en CPUs y GPUs, con autodiff y sin desbordamientos de memoria
Biblioteca Tensorial Diferenciable Rápida en JavaScript y TypeScript con Bun + Flashlight
OptimLib: una biblioteca ligera en C++ de métodos de optimización numérica para funciones no lineales
Optimización matemática en Julia. Local, global, basada en gradiente y sin derivada. Optimización lineal, cuadrática, convexa, de enteros mixtos y no lineal en una interfaz simple, rápida y diferenciable.
La biblioteca Stan Math es una biblioteca de plantillas de C++ para diferenciación automática de cualquier orden utilizando modos forward, reverse y mixtos. Incluye una variedad de funciones integradas para modelado probabilístico, álgebra lineal y resolución de ecuaciones.
Herramientas de transporte óptimo implementadas con el framework JAX, para resolver problemas de emparejamiento a gran escala de cualquier tipo.
Introducciones a conceptos clave en programación cuántica, así como tutoriales e implementaciones de la investigación de vanguardia en computación cuántica.
TorchOpt es una biblioteca eficiente para optimización diferenciable construida sobre PyTorch.
Curso intensivo IAP del MIT: Cálculo matricial para el aprendizaje automático y más allá
BackPACK - un paquete de retropropagación construido sobre PyTorch que calcula eficientemente cantidades distintas al gradiente.
Preguntas frecuentes
¿Cuál es el repositorio de #automatic-differentiation más popular en GitHub?
El proyecto de código abierto de #automatic-differentiation mejor posicionado en GitHub es karpathy/micrograd, con 19,036 estrellas. Un diminuto motor autograd con valores escalares y una biblioteca de redes neuronales sobre él con API similar a PyTorch
¿Qué lenguajes de programación se utilizan más en los repositorios de #automatic-differentiation?
Entre los proyectos de #automatic-differentiation mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, Julia, Jupyter Notebook.
¿Cómo se calcula la clasificación de los repositorios de #automatic-differentiation?
Seguimos 50 repositorios activos de código abierto etiquetados con #automatic-differentiation (500+ estrellas), que suman un total de 94,135 estrellas, con una media de 1,882 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.