Git Stars Git Stars

#autograd Dépôts

Découvrez 25 dépôts GitHub open source actifs associés à #autograd, cumulant 211,553 étoiles au total (soit une moyenne de 8,462 étoiles par projet). Le projet en tête de ce thème est pytorch/pytorch, avec 105,764 étoiles.

25
Total des Dépôts
211,553
Nombre total d'étoiles
8,462
Moyenne d'Étoiles/Dépôt
1
pytorch/pytorch

Tenseurs et réseaux de neurones dynamiques en Python avec une forte accélération GPU

pytorch
⭐ 105,764 Python 👤 pytorch Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2016-08-13
2
tinygrad/tinygrad

Tu aimes Pytorch ? Tu aimes micrograd ? Tu adores tinygrad ! ❤️

tinygrad
⭐ 33,961 Python 👤 tinygrad Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2020-10-18
3
karpathy/nn-zero-to-hero

Réseaux Neuronaux : De zéro à héros

karpathy
⭐ 19,478 Jupyter Notebook 👤 karpathy User 🕐 Mis à jour 2024-08-18 📅 Créé 2022-09-08
4
HIPS/autograd

Calcule efficacement les dérivées du code NumPy.

HIPS
⭐ 7,557 Python 👤 HIPS Organization 🕐 Mis à jour 2026-11-16 📅 Créé 2014-11-24
5
flashlight/flashlight

Une bibliothèque autonome en C++ pour l'apprentissage automatique

flashlight
⭐ 5,479 C++ 👤 flashlight Organization 🕐 Mis à jour 2026-10-27 📅 Créé 2018-12-11
6
BoltzmannEntropy/interviews.ai

Je suis convaincu que vous, les étudiants diplômés et les chercheurs d'emploi pour qui ce livre est principalement destiné, en bénéficierez ; cependant, j'espère que même les chercheurs les plus expérimentés le trouveront fascinant également.

BoltzmannEntropy
⭐ 4,900 👤 BoltzmannEntropy User 🕐 Mis à jour 2026-11-21 📅 Créé 2021-09-30
7
deepjavalibrary/djl

Un framework d'apprentissage profond indépendant du moteur en Java

deepjavalibrary
⭐ 4,860 Java 👤 deepjavalibrary Organization 🕐 Mis à jour 2026-11-16 📅 Créé 2019-10-29
8
MegEngine/MegEngine

MegEngine est un framework d'apprentissage profond rapide, évolutif, facile à utiliser et prenant en charge la différenciation automatique.

MegEngine
⭐ 4,806 C++ 👤 MegEngine Organization 🕐 Mis à jour 2024-10-24 📅 Créé 2020-03-18
9
PennyLaneAI/pennylane

PennyLane est une plateforme logicielle quantique open-source pour l’informatique quantique, l’apprentissage machine quantique et la chimie quantique. Créez des algorithmes quantiques significatifs, de l’inspiration à la mise en œuvre.

PennyLaneAI
⭐ 3,531 Python 👤 PennyLaneAI Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2018-04-17
10
szagoruyko/pytorchviz

Un petit package pour créer des visualisations de graphes d'exécution de PyTorch

szagoruyko
⭐ 3,481 Jupyter Notebook 👤 szagoruyko User 🕐 Mis à jour 2024-12-30 📅 Créé 2018-01-30
11
n2cholas/awesome-jax

JAX - Une liste organisée de ressources https://github.com/google/jax

n2cholas
⭐ 2,178 👤 n2cholas User 🕐 Mis à jour 2026-01-20 📅 Créé 2020-12-20
12
prabhuomkar/pytorch-cpp

Implémentation C++ des tutoriels PyTorch pour Tous

prabhuomkar
⭐ 2,139 C++ 👤 prabhuomkar User 🕐 Mis à jour 2026-11-03 📅 Créé 2019-11-05
13
chelsea0x3b/dfdx

Apprentissage profond en Rust, avec des tenseurs à forme vérifiée et des réseaux neuronaux

chelsea0x3b
⭐ 1,881 Rust 👤 chelsea0x3b User 🕐 Mis à jour 2024-07-23 📅 Créé 2021-10-12
14
apoorvnandan/tensor.h

création d'une minuscule bibliothèque de tenseurs en C brut

apoorvnandan
⭐ 1,457 C 👤 apoorvnandan User 🕐 Mis à jour 2025-03-05 📅 Créé 2024-10-10
15
mratsim/Arraymancer

Une bibliothèque de tenseurs rapide, ergonomique et portable en Nim avec un focus sur l'apprentissage profond pour CPU, GPU et dispositifs embarqués via les backends OpenMP, Cuda et OpenCL

mratsim
⭐ 1,418 Nim 👤 mratsim User 🕐 Mis à jour 2026-11-01 📅 Créé 2017-04-13
16
k2-fsa/k2

Algorithmes FSA/FST, différentiables, avec compatibilité PyTorch.

k2-fsa
⭐ 1,371 Cuda 👤 k2-fsa Organization 🕐 Mis à jour 2026-11-13 📅 Créé 2020-04-17
17
owlbarn/owl

Owl - OCaml Scientific Computing @ https://ocaml.xyz

owlbarn
⭐ 1,358 OCaml 👤 owlbarn Organization 🕐 Mis à jour 2026-11-18 📅 Créé 2016-06-20
18
rusty1s/pytorch_sparse

Bibliothèque d'extension PyTorch pour les opérations optimisées sur matrices creuses Autograd

rusty1s
⭐ 1,107 Python 👤 rusty1s User 🕐 Mis à jour 2026-06-03 📅 Créé 2018-07-28
19
oreilly-japan/deep-learning-from-scratch-3

« Deep Learning à partir de zéro ❸ » (O'Reilly Japan, 2020)

oreilly-japan
⭐ 836 Python 👤 oreilly-japan Organization 🕐 Mis à jour 2024-05-27 📅 Créé 2019-10-25
20
norse/norse

Apprentissage profond avec des réseaux de neurones à impulsions (SNNs) dans PyTorch.

norse
⭐ 828 Python 👤 norse Organization 🕐 Mis à jour 2026-07-07 📅 Créé 2019-11-22
21
4thd1m/iruka

Structures de données et algorithmes pour les ingénieurs web

4thd1m
⭐ 780 TypeScript 👤 4thd1m User 🕐 Mis à jour 2026-04-08 📅 Créé 2020-05-28
22
PennyLaneAI/demos

Introductions aux concepts clés de la programmation quantique, ainsi que des tutoriels et des implémentations issus de recherches de pointe en informatique quantique.

PennyLaneAI
⭐ 679 Python 👤 PennyLaneAI Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2019-10-09
23
AgentTorch/AgentTorch

modèles de grandes populations

AgentTorch
⭐ 658 Jupyter Notebook 👤 AgentTorch Organization 🕐 Mis à jour 2026-11-15 📅 Créé 2023-06-22
24
mlverse/torch

Interface R pour Torch

mlverse
⭐ 568 C++ 👤 mlverse Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2020-01-07
25
raskr/rust-autograd

Tenseurs et opérations différentiables (comme TensorFlow) en Rust

raskr
⭐ 503 Rust 👤 raskr User 🕐 Mis à jour 2026-06-02 📅 Créé 2017-09-05

Foire aux questions

1

Quel est le dépôt #autograd le plus populaire sur GitHub ?

Le projet #autograd open source le mieux classé sur GitHub est pytorch/pytorch, avec 105,764 étoiles. Tenseurs et réseaux de neurones dynamiques en Python avec une forte accélération GPU

2

Quels langages de programmation sont les plus utilisés dans les dépôts #autograd ?

Parmi les projets #autograd les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Jupyter Notebook, Rust.

3

Comment le classement des dépôts #autograd est-il calculé ?

Nous suivons 25 dépôts open source actifs associés à #autograd (500+ étoiles), totalisant 211,553 étoiles, avec une moyenne de 8,462 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.