#ray Dépôts
Découvrez 27 dépôts GitHub open source actifs associés à #ray, cumulant 155,511 étoiles au total (soit une moyenne de 5,759 étoiles par projet). Le projet en tête de ce thème est GokuMohandas/Made-With-ML, avec 50,112 étoiles.
27 dépôts au total
Apprenez à développer, déployer et itérer sur des applications ML de qualité production.
Ray est un moteur de calcul IA. Ray est composé d'un runtime distribué central et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.
Framework d'entraînement distribué pour TensorFlow, Keras, PyTorch et Apache MXNet.
Moteur de données haute performance pour les charges de travail d'IA et multimodales. Traitez des images, de l'audio, de la vidéo et des données structurées à n'importe quelle échelle.
pandas sur AWS - Intégration facile avec Athena, Glue, Redshift, Timestream, Neptune, OpenSearch, QuickSight, Chime, CloudWatchLogs, DynamoDB, EMR, SecretManager, PostgreSQL, MySQL, SQLServer et S3 (Parquet, CSV, JSON et EXCEL).
CSGHub est une toute nouvelle plateforme open-source pour la gestion des LLM, développée par l'équipe OpenCSG. Elle propose des solutions open-source et sur site/SaaS, avec des fonctionnalités comparables à celles de Hugging Face. Prenez le contrôle total du cycle de vie des LLM, des ensembles de données et des agents, avec une compatibilité SDK Python avec Hugging Face. Rejoignez-nous ! ⭐️
Apprenez à concevoir, développer, déployer et itérer sur des applications ML prêtes pour la production.
Un moteur lakehouse ouvert pour les agents — natif de Postgres, des vecteurs et de Python. Parle PostgreSQL, fonctionne sur votre stockage d’objets et est écrit en Rust.
Mars est un cadre unifié basé sur les tenseurs pour le calcul de données à grande échelle qui met à l'échelle numpy, pandas, scikit-learn et les fonctions Python.
PathTracing en temps réel avec éclairage global et rendu progressif, le tout sur le framework WebGL de Three.js. Cliquez ici pour la démo en direct : https://erichlof.github.io/THREE.js-PathTracing-Renderer/Geometry_Showcase.html
Un traceur de rayons GPU physiquement basé pour le jeu (C++/OpenGL/GLSL)
Un guide complet pour la création d'applications LLM basées sur RAG pour la production.
Une collection d'exploits IA/ML du monde réel pour des vulnérabilités divulguées de manière responsable
Un seul dépôt est nécessaire pour l'apprentissage par renforcement multi-agents (MARL)
Distribuez et exécutez des charges de travail d'IA sur Kubernetes de manière magique en Python, comme PyTorch pour l'infrastructure ML.
Un serveur de débogage local, un seul binaire : il capture les erreurs, les dumps, les e-mails, les journaux, les profils et le trafic HTTP de votre application en développement. Compatible avec Sentry, Ray, VarDumper, Monolog, SMTP et XHProf. Serveur simulé, Xdebug dans le navigateur et MCP pour les agents IA.
Projet open source pour la préparation des données pour les applications GenAI
DoEKS est un outil pour construire, déployer et faire évoluer des plateformes de données sur Amazon EKS
Un Ray Tracer de base qui exploite les tableaux et fonctions numpy pour fonctionner raisonnablement rapidement.
Foire aux questions
Quel est le dépôt #ray le plus populaire sur GitHub ?
Le projet #ray open source le mieux classé sur GitHub est GokuMohandas/Made-With-ML, avec 50,112 étoiles. Apprenez à développer, déployer et itérer sur des applications ML de qualité production.
Quels langages de programmation sont les plus utilisés dans les dépôts #ray ?
Parmi les projets #ray les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Go, C++.
Comment le classement des dépôts #ray est-il calculé ?
Nous suivons 27 dépôts open source actifs associés à #ray (500+ étoiles), totalisant 155,511 étoiles, avec une moyenne de 5,759 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.