#gpu-optimization Repositorios
Descubre 55 repositorios activos de código abierto de GitHub etiquetados con #gpu-optimization, que acumulan 216,210 estrellas en total (una media de 3,931 estrellas por proyecto). El líder de este tema es Dao-AILab/flash-attention, con 25,330 estrellas.
55 repositorios en total
Una extensión de PyTorch: Herramientas para un entrenamiento de precisión mixta y distribuido fácil en PyTorch
Implementación del modelo de lenguaje LLaMA basado en nanoGPT. Soporta atención flash, cuantización Int8 y GPTQ de 4 bits, ajuste fino LoRA y LLaMA-Adapter, pre-entrenamiento. Licencia Apache 2.0.
Un algoritmo de paralelismo de pipeline bidireccional para la superposición de cómputo-comunicación en el entrenamiento de DeepSeek V3/R1.
📹 Un marco más flexible que puede generar videos en cualquier resolución y crea videos a partir de imágenes.
Código para el artículo de ICLR 2023 "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
Código, laboratorios y recursos para O'Reilly AI Systems Performance Engineering: optimización de GPU, entrenamiento distribuido, escalado de inferencia y ajuste de pila completa.
Un proyecto que demuestra soluciones de IA relacionadas con Lidar, incluidas tres redes neuronales profundas (DL) de Lidar/cámara aceleradas por GPU (PointPillars, CenterPoint, BEVFusion) y las bibliotecas relacionadas (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
NVIDIA DLSS es una red neuronal de aprendizaje profundo nueva y mejorada que aumenta las tasas de fotogramas y genera imágenes hermosas y nítidas para tus juegos
FB (Facebook) + GEMM (Multiplicación General de Matriz-Matriz) - https://code.fb.com/ml-applications/fbgemm/
Implementación oficial del artículo de SIGGRAPH 2024 "Una representación gaussiana 3D jerárquica para la renderización en tiempo real de conjuntos de datos muy grandes"
CUDA Tile IR es una representación intermedia y una infraestructura de compilador basada en MLIR para la optimización de kernels CUDA, centrándose en patrones de computación basados en teselas y optimizaciones dirigidas a unidades de núcleo tensor de NVIDIA.
Flash Attention en ~100 líneas de CUDA (solo paso hacia adelante)
Checkpoint-engine es un middleware simple para actualizar los pesos del modelo en los motores de inferencia de LLM
Atención distribuida hacia la escalabilidad lineal para el entrenamiento de contextos ultralargos y datos heterogéneos
Ejemplos que demuestran las opciones disponibles para programar múltiples GPUs en un solo nodo o un clúster
Cuadernos para la especialización en Modelos de Lenguaje Grandes (LLMs)
Superresolución de Video en Streaming Basada en Difusión en Tiempo Real / Modelo de Superresolución de Video en Streaming en Tiempo Real Basado en Arquitectura Diffusion
SDK de gráficos 3D multiplataforma C++. Incluye demos y código de ayuda (carga de recursos, etc.) para acelerar el desarrollo de aplicaciones Vulkan, OpenGL ES 2.0 y 3.x
JNeRF es un benchmark de NeRF basado en Jittor. JNeRF re-implementó instant-ngp y logró el mismo rendimiento que el artículo original.
Preguntas frecuentes
¿Cuál es el repositorio de #gpu-optimization más popular en GitHub?
El proyecto de código abierto de #gpu-optimization mejor posicionado en GitHub es Dao-AILab/flash-attention, con 25,330 estrellas. Atención exacta rápida y eficiente en memoria
¿Qué lenguajes de programación se utilizan más en los repositorios de #gpu-optimization?
Entre los proyectos de #gpu-optimization mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, Cuda, HTML.
¿Cómo se calcula la clasificación de los repositorios de #gpu-optimization?
Seguimos 55 repositorios activos de código abierto etiquetados con #gpu-optimization (500+ estrellas), que suman un total de 216,210 estrellas, con una media de 3,931 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.