#gpu-optimization Repository
Scopri 55 repository GitHub open source attivi contrassegnati con #gpu-optimization, che raccolgono un totale di 216,210 stelle (con una media di 3,931 stelle per progetto). Il progetto leader di questo argomento è Dao-AILab/flash-attention, con 25,330 stelle.
55 repository in totale
verl/HybridFlow: Un Framework Flessibile ed Efficiente per il Post-Addestramento RL
Un'estensione di PyTorch: Strumenti per un facile addestramento a precisione mista e distribuito in PyTorch
Implementazione del modello linguistico LLaMA basato su nanoGPT. Supporta l'attenzione flash, la quantizzazione Int8 e GPTQ a 4 bit, la messa a punto LoRA e LLaMA-Adapter, il pre-training. Licenza Apache 2.0.
Un algoritmo di parallelismo a pipeline bidirezionale per la sovrapposizione calcolo-comunicazione nell'addestramento DeepSeek V3/R1.
Addestramento minimalista di modelli linguistici di grandi dimensioni con parallelismo 3D
📹 Un framework più flessibile in grado di generare video a qualsiasi risoluzione e creare video da immagini.
Codice per l'articolo ICLR 2023 "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
Codice, laboratori e risorse per O'Reilly AI Systems Performance Engineering: ottimizzazione GPU, addestramento distribuito, scalabilità dell'inferenza e ottimizzazione full-stack.
Un progetto che dimostra soluzioni AI relative a Lidar, incluse tre reti DL Lidar/telecamera accelerate da GPU (PointPillars, CenterPoint, BEVFusion) e le librerie correlate (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
NVIDIA DLSS è una rete neurale di deep learning nuova e migliorata che aumenta i frame rate e genera immagini belle e nitide per i tuoi giochi
FB (Facebook) + GEMM (Moltiplicazione Generale di Matrice per Matrice) - https://code.fb.com/ml-applications/fbgemm/
Implementazione ufficiale dell'articolo SIGGRAPH 2024 "Una rappresentazione gaussiana 3D gerarchica per il rendering in tempo reale di dataset molto grandi"
CUDA Tile IR è una rappresentazione intermedia e un'infrastruttura di compilazione basata su MLIR per l'ottimizzazione dei kernel CUDA, che si concentra su pattern di calcolo basati su tile e ottimizzazioni mirate alle unità Tensor Core di NVIDIA.
Checkpoint-engine è un semplice middleware per aggiornare i pesi del modello nei motori di inferenza LLM
Attenzione distribuita verso la scalabilità lineare per l'addestramento su contesti ultra-lunghi e dati eterogenei
Esempi che dimostrano le opzioni disponibili per programmare più GPU in un singolo nodo o in un cluster
Notebook per la specializzazione sui modelli linguistici di grandi dimensioni (LLM)
Super-Risoluzione Video in Streaming Basata su Diffusione in Tempo Reale / Modello di Super-Risoluzione Video in Streaming in Tempo Reale Basato sull'Architettura di Diffusione
SDK 3D grafica multipiattaforma C++. Include demo e codice di supporto (caricamento risorse ecc.) per accelerare lo sviluppo di applicazioni Vulkan, OpenGL ES 2.0 e 3.x
JNeRF è un benchmark NeRF basato su Jittor. JNeRF ha ri-implementato instant-ngp e ha ottenuto le stesse prestazioni della carta originale.
Domande frequenti
Qual è il repository #gpu-optimization più popolare su GitHub?
Il progetto open source #gpu-optimization più alto in classifica su GitHub è Dao-AILab/flash-attention, con 25,330 stelle. Attenzione esatta veloce ed efficiente in termini di memoria
Quali linguaggi di programmazione sono più utilizzati nei repository #gpu-optimization?
Tra i progetti #gpu-optimization più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, C++, Cuda, HTML.
Come viene calcolata la classifica dei repository #gpu-optimization?
Monitoriamo 55 repository open source attivi contrassegnati con #gpu-optimization (500+ stelle), per un totale di 216,210 stelle e una media di 3,931 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.