Git Stars Git Stars

#pipeline-parallelism Dépôts

Découvrez 11 dépôts GitHub open source actifs associés à #pipeline-parallelism, cumulant 112,409 étoiles au total (soit une moyenne de 10,219 étoiles par projet). Le projet en tête de ce thème est deepspeedai/DeepSpeed, avec 43,348 étoiles.

11
Total des Dépôts
112,409
Nombre total d'étoiles
10,219
Moyenne d'Étoiles/Dépôt
Langages de programmation: Python C++ Jupyter Notebook
1
deepspeedai/DeepSpeed

DeepSpeed est une bibliothèque d'optimisation pour l'apprentissage profond qui rend l'entraînement distribué et l'inférence simples, efficaces et performants.

deepspeedai
⭐ 43,348 Python 👤 deepspeedai Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2020-01-23
2
hpcaitech/ColossalAI

Rendre les grands modèles d'IA moins chers, plus rapides et plus accessibles

hpcaitech
⭐ 41,421 Python 👤 hpcaitech Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2021-10-28
3
bigscience-workshop/petals

Exécutez des LLM à la maison, style BitTorrent. Fine-tuning et inférence jusqu'à 10 fois plus rapides que l'offloading.

bigscience-workshop
⭐ 9,864 Python 👤 bigscience-workshop Organization 🕐 Mis à jour 2024-09-07 📅 Créé 2022-06-12
4
pytorch/torchtitan

Une plateforme native PyTorch pour l'entraînement de modèles d'IA générative

pytorch
⭐ 5,936 Python 👤 pytorch Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2023-12-13
5
deepseek-ai/DualPipe

Un algorithme de parallélisme de pipeline bidirectionnel pour le chevauchement calcul-communication dans l'entraînement DeepSeek V3/R1.

deepseek-ai
⭐ 3,036 Python 👤 deepseek-ai Organization 🕐 Mis à jour 2026-01-14 📅 Créé 2025-02-26
6
Alibaba-Quark/LiveAvatar

[À la une d’ECCV 2026] Implémentation de « Live Avatar : génération d’avatars pilotée par l’audio en temps réel, en streaming et d’une durée infinie »

Alibaba-Quark
⭐ 2,531 Python 👤 Alibaba-Quark Organization 🕐 Mis à jour 2026-08-24 📅 Créé 2025-12-04
7
tdrussell/diffusion-pipe

Un script d'entraînement parallèle par pipeline pour les modèles de diffusion.

tdrussell
⭐ 2,037 Python 👤 tdrussell User 🕐 Mis à jour 2026-11-19 📅 Créé 2024-08-03
8
bigscience-workshop/Megatron-DeepSpeed

La recherche en cours forme des modèles linguistiques Transformer à grande échelle, notamment : BERT et GPT-2

bigscience-workshop
⭐ 1,426 Python 👤 bigscience-workshop Organization 🕐 Mis à jour 2024-03-20 📅 Créé 2021-07-02
9
Soulmate-Halo/heterogeneous-gpu-pd-lab

Accélérez les hôtes à grande mémoire et à calcul clairsemé à l’aide de cartes de calcul dense, notamment AI Max+ 395, M3 512G et DGX Spark.

Soulmate-Halo
⭐ 1,288 C++ 👤 Soulmate-Halo User 🕐 Mis à jour 2026-11-10 📅 Créé 2026-09-01
10
kakaobrain/torchgpipe

Une implémentation de GPipe en PyTorch

kakaobrain
⭐ 861 Python 👤 kakaobrain Organization 🕐 Mis à jour 2024-07-25 📅 Créé 2019-05-10
11
Coobiw/MPP-LLaVA

Projet Personnel : MPP-Qwen14B & MPP-Qwen-Next (Pipeline Parallèle Multimodal basé sur Qwen-LM). Supporte [vidéo/image/multi-image] {sft/conversations}. Ne laissez pas la pauvreté limiter votre imagination ! Entraînez votre propre MLLM de type LLaVA-training 8B/14B sur RTX3090/4090 24 Go.

Coobiw
⭐ 678 Jupyter Notebook 👤 Coobiw User 🕐 Mis à jour 2025-03-10 📅 Créé 2023-10-24

Foire aux questions

1

Quel est le dépôt #pipeline-parallelism le plus populaire sur GitHub ?

Le projet #pipeline-parallelism open source le mieux classé sur GitHub est deepspeedai/DeepSpeed, avec 43,348 étoiles. DeepSpeed est une bibliothèque d'optimisation pour l'apprentissage profond qui rend l'entraînement distribué et l'inférence simples, efficaces et performants.

2

Quels langages de programmation sont les plus utilisés dans les dépôts #pipeline-parallelism ?

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

3

Comment le classement des dépôts #pipeline-parallelism est-il calculé ?

Nous suivons 11 dépôts open source actifs associés à #pipeline-parallelism (500+ étoiles), totalisant 112,409 étoiles, avec une moyenne de 10,219 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.