#pruning Dépôts
Découvrez 20 dépôts GitHub open source actifs associés à #pruning, cumulant 47,055 étoiles au total (soit une moyenne de 2,352 étoiles par projet). Le projet en tête de ce thème est datawhalechina/leedl-tutorial, avec 16,879 étoiles.
20 dépôts au total
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
[CVPR 2023] DepGraph: Vers toute élagage structurel; LLMs, Modèles de base de vision, etc.
AIMET est une bibliothèque qui fournit des techniques avancées de quantification et de compression pour les modèles de réseaux neuronaux entraînés.
Quantification LLM SOTA à faible nombre de bits (INT8/FP8/MXFP8/INT4/MXFP4/NVFP4) et sparsité ; techniques de compression de modèles de pointe sur PyTorch, TensorFlow et ONNX Runtime
micronet, une bibliothèque de compression et de déploiement de modèles. Compression : 1、quantification : entraînement conscient de la quantification(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternaire et Binaire(TWN/BNN/XNOR-Net) ; quantification post-entraînement(PTQ), 8-bit(tensorrt) ; 2、élagage : normal、régulier et élagage de canaux convolutifs en groupe ; 3、structure de convolution en groupe ; 4、fusion de normalisation par lots pour la quantification. Déploiement : tensorrt, fp32/fp16/in
Cours pratique sur les grands modèles linguistiques.
PaddleSlim est une bibliothèque open-source pour la compression de modèles profonds et la recherche d'architecture.
Un kit d'outils pour optimiser les modèles ML pour le déploiement sur Keras et TensorFlow, incluant la quantification et l'élagage.
Méthodes de calcul efficaces développées par Huawei Noah's Ark Lab
Framework de compression de réseau neuronal pour une inférence OpenVINO™ améliorée
[NeurIPS 2023] LLM-Pruner : Sur l'élagage structurel des grands modèles linguistiques. Prise en charge de Llama-3/3.1, Llama-2, LLaMA, BLOOM, Vicuna, Baichuan, TinyLlama, etc.
Un framework puissant de compression de modèles pour les LLMs et LVLMs, adapté aux GPU NVIDIA et aux NPU Huawei Ascend.
TinyNeuralNetwork est un framework efficace et facile à utiliser pour la compression de modèles d'apprentissage profond.
[EMNLP 2024 & AAAI 2026] Une boîte à outils puissante pour compresser les grands modèles, y compris les LLM, les VLM et les modèles génératifs vidéo.
[ICLR 2024] Sheared LLaMA : Accélérer le pré-entraînement des modèles linguistiques par élagage structuré
Résumé, Code pour la Quantification de Réseaux de Neurones Profonds
Superbes articles de recherche sur la compression de modèles d'apprentissage automatique, quantification, outils et matériel d'apprentissage.
Foire aux questions
Quel est le dépôt #pruning le plus populaire sur GitHub ?
Le projet #pruning open source le mieux classé sur GitHub est datawhalechina/leedl-tutorial, avec 16,879 étoiles. 《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Quels langages de programmation sont les plus utilisés dans les dépôts #pruning ?
Parmi les projets #pruning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Go.
Comment le classement des dépôts #pruning est-il calculé ?
Nous suivons 20 dépôts open source actifs associés à #pruning (500+ étoiles), totalisant 47,055 étoiles, avec une moyenne de 2,352 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.