#distributed-training Repositorios
Descubre 147 repositorios activos de código abierto de GitHub etiquetados con #distributed-training, que acumulan 615,835 estrellas en total (una media de 4,189 estrellas por proyecto). El líder de este tema es tensorflow/models, con 77,631 estrellas.
147 repositorios en total
Aprende a desarrollar, implementar y iterar en aplicaciones de ML de grado de producción.
La mayor colección de codificadores de imágenes PyTorch / backbones. Incluyendo scripts de entrenamiento, evaluación, inferencia, exportación y pesos preentrenados -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt y más
PArallel Distributed Deep LEarning: Marco de Aprendizaje Automático de la Práctica Industrial (El framework central『FeiJiang』, entrenamiento de alto rendimiento de una sola máquina y distribuido para Deep Learning y Machine Learning, y despliegue multiplataforma)
Un conjunto de ejemplos en torno a pytorch en Visión, Texto, Aprendizaje por Refuerzo, etc.
Biblioteca LLM y SLM potente y fácil de usar con un increíble zoológico de modelos.
La plataforma de cómputo de IA para equipos de vanguardia. SkyPilot convierte el cómputo de IA fragmentado en una supercomputadora de IA, para que los equipos de vanguardia construyan inteligencia personalizada más rápido.
Fundamentos de Grandes Modelos: Entiende los fundamentos de los grandes modelos en un artículo
Tacotron 2 - Implementación en PyTorch con inferencia más rápida que en tiempo real
Meta Lingua: una base de código delgada, eficiente y fácil de hackear para investigar LLMs.
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.
Compartir conocimientos de AI Infra y práctica de código: PyTorch, vLLM/SGLang, introducción al marco slime/vime ⚡️, aceleración de rendimiento 🚀, fundamentos de modelos grandes 🧠, software y hardware de IA 🔧, etc.
Un marco de aprendizaje profundo industrial para datos dispersos de alta dimensión
Fengshenbang-LM (封神榜大模型) es un sistema de grandes modelos de código abierto liderado por el Centro de Investigación de Computación Cognitiva y Procesamiento del Lenguaje Natural del Instituto IDEA, que se convierte en la infraestructura para el AIGC chino y la inteligencia cognitiva.
Una implementación de un modelo de recomendación de aprendizaje profundo (DLRM)
FEDML: la biblioteca de ML unificada y escalable para entrenamiento distribuido a gran escala, servicio de modelos y aprendizaje federado. FEDML Launch, un planificador multicloud, permite además ejecutar cualquier trabajo de IA en cualquier nube de GPU o clúster local. Basado en esta biblioteca, TensorOpera AI (https://TensorOpera.ai) es su plataforma de IA generativa a escala.
FlagAI (Fast LArge-scale General AI models) es un toolkit rápido, fácil de usar y extensible para modelos a gran escala.
Deformable DETR: Transformers deformables para la detección de objetos de extremo a extremo.
Una plataforma para sistemas de razonamiento (Aprendizaje por refuerzo, Bandidos contextuales, etc.)
Extensiones de PyTorch para entrenamiento de alto rendimiento y a gran escala.
Miles es un marco de aprendizaje por refuerzo orientado a empresas para el post-entrenamiento de LLM y VLM, derivado de y co-evolucionando con slime.
Determined es una plataforma de aprendizaje automático de código abierto que simplifica el entrenamiento distribuido, la optimización de hiperparámetros, el seguimiento de experimentos y la gestión de recursos. Funciona con PyTorch y TensorFlow.
Un algoritmo de paralelismo de pipeline bidireccional para la superposición de cómputo-comunicación en el entrenamiento de DeepSeek V3/R1.
Implementación de referencia para DPO (Direct Preference Optimization)
Este repositorio registra principalmente preguntas de entrevista relacionadas con ingenieros de algoritmos de modelos grandes (LLM).
Proyecto que contiene material relacionado con mis artículos de TensorFlow
Aprendizaje profundo descentralizado en PyTorch. Construido para entrenar modelos en miles de voluntarios en todo el mundo.
Preguntas frecuentes
¿Cuál es el repositorio de #distributed-training más popular en GitHub?
El proyecto de código abierto de #distributed-training mejor posicionado en GitHub es tensorflow/models, con 77,631 estrellas. Modelos y ejemplos construidos con TensorFlow
¿Qué lenguajes de programación se utilizan más en los repositorios de #distributed-training?
Entre los proyectos de #distributed-training mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, HTML.
¿Cómo se calcula la clasificación de los repositorios de #distributed-training?
Seguimos 147 repositorios activos de código abierto etiquetados con #distributed-training (500+ estrellas), que suman un total de 615,835 estrellas, con una media de 4,189 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.