#automatic-differentiation Dépôts
Découvrez 50 dépôts GitHub open source actifs associés à #automatic-differentiation, cumulant 94,135 étoiles au total (soit une moyenne de 1,882 étoiles par projet). Le projet en tête de ce thème est karpathy/micrograd, avec 19,036 étoiles.
50 dépôts au total
Un minuscule moteur autograd à valeur scalaire et une bibliothèque de réseaux neuronaux par-dessus avec une API de type PyTorch
Gorgonia est une bibliothèque qui aide à faciliter l'apprentissage automatique en Go.
MindSpore est un nouveau framework d'entraînement/d'inférence d'apprentissage profond open source qui pourrait être utilisé pour les scénarios mobiles, de périphérie et de cloud.
Une implémentation rapide et flexible des algorithmes de dynamique du corps rigide et de leurs dérivées analytiques
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.
Bibliothèque autonome d'apprentissage automatique et de traitement du langage naturel en Go
Langage de recherche pour le traitement de tableaux dans la famille Haskell/ML
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
Optimisation de la conception d'aéronefs accélérée par des transformations de graphes de calcul (par ex., différentiation automatique). Outils d'analyse composables pour l'aérodynamique, la propulsion, les structures, la conception de trajectoire et bien plus.
Tiny Differentiable Simulator est une bibliothèque physique C++ et CUDA uniquement en-tête pour l'apprentissage par renforcement et la robotique avec zéro dépendance.
Opérations du Kernel sur CPU et GPU, avec autodiff et sans débordements de mémoire
Bibliothèque Tensorielle Différentiable Rapide en JavaScript et TypeScript avec Bun + Flashlight
OptimLib : une bibliothèque légère en C++ pour les méthodes d'optimisation numérique des fonctions non linéaires
Optimisation mathématique en Julia. Locale, globale, basée sur le gradient et sans dérivée. Optimisation linéaire, quadratique, convexe, mixte en nombres entiers et non linéaire dans une interface simple, rapide et différentiable.
La bibliothèque Stan Math est une bibliothèque de templates C++ pour la différentiation automatique de tout ordre en utilisant les modes forward, reverse et mixtes. Elle inclut une gamme de fonctions intégrées pour la modélisation probabiliste, l'algèbre linéaire et la résolution d'équations.
« Deep Learning à partir de zéro ❸ » (O'Reilly Japan, 2020)
Outils de transport optimaux implémentés avec le framework JAX, pour résoudre des problèmes de mise en correspondance à grande échelle de toute nature.
Une bibliothèque simple pour créer des réseaux de neurones complexes
Introductions aux concepts clés de la programmation quantique, ainsi que des tutoriels et des implémentations issus de recherches de pointe en informatique quantique.
TorchOpt est une bibliothèque efficace pour l'optimisation différentiable construite sur PyTorch.
Cours intensif MIT IAP : Calcul matriciel pour l'apprentissage automatique et au-delà
BackPACK - un package de rétropropagation construit sur PyTorch qui calcule efficacement des quantités autres que le gradient.
🧩 Différenciation symbolique sûre en forme avec des types de données algébriques
Foire aux questions
Quel est le dépôt #automatic-differentiation le plus populaire sur GitHub ?
Le projet #automatic-differentiation open source le mieux classé sur GitHub est karpathy/micrograd, avec 19,036 étoiles. Un minuscule moteur autograd à valeur scalaire et une bibliothèque de réseaux neuronaux par-dessus avec une API de type PyTorch
Quels langages de programmation sont les plus utilisés dans les dépôts #automatic-differentiation ?
Parmi les projets #automatic-differentiation les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Julia, Jupyter Notebook.
Comment le classement des dépôts #automatic-differentiation est-il calculé ?
Nous suivons 50 dépôts open source actifs associés à #automatic-differentiation (500+ étoiles), totalisant 94,135 étoiles, avec une moyenne de 1,882 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.