#knowledge-distillation Repository
Scopri 35 repository GitHub open source attivi contrassegnati con #knowledge-distillation, che raccolgono un totale di 102,336 stelle (con una media di 2,923 stelle per progetto). Il progetto leader di questo argomento è titanwings/distilly, con 26,745 stelle.
35 repository in totale
Distilly — Trasforma il loro modo di pensare in Skills riutilizzabili per qualsiasi agente o bot. In precedenza Colleague Skill (原同事 Skill).
Distilla contenuti di alto valore da libri, video lunghi, podcast e altro ancora in Agent Skills eseguibili
Alcuni script sulla rilevazione di oggetti e codice con idee di miglioramento; dettagli nel readme.md.
Un forziere per la classificazione e il riconoscimento visivo, potenziato da PaddlePaddle
Modello linguistico pre-addestrato e relative tecniche di ottimizzazione sviluppate da Huawei Noah's Ark Lab.
Implementazione di Segnet, FCN, UNet, PSPNet e altri modelli in Keras.
Quantizzazione LLM a basso bit SOTA (INT8/FP8/MXFP8/INT4/MXFP4/NVFP4) e sparsità; tecniche leader di compressione del modello su PyTorch, TensorFlow e ONNX Runtime
Un elenco curato per efficienti modelli linguistici di grandi dimensioni
Scarti di ricerca e strumenti eccezionali per la compressione di LLM.
Un framework senza codice basato su PyTorch per studi di deep learning riproducibili. Ecosistema PyTorch. 🏆 Finora sono stati implementati 28 metodi di distillazione della conoscenza presentati a TPAMI, CVPR, ICLR, ECCV, NeurIPS, ICCV, AAAI, ecc. 🎁 Sono disponibili modelli addestrati, registri di addestramento e configurazioni per garantire la riproducibilità e consentire il benchmarking.
Una lista di lettura sulla generazione di dati sintetici basata su LLM 🔥
Questo repository raccoglie articoli per "A Survey on Knowledge Distillation of Large Language Models". Suddividiamo KD in Estrazione della Conoscenza e Algoritmi di Distillazione, ed esploriamo la Distillazione per Abilità e Verticale degli LLM.
Collezione di metodi recenti sulla compressione e accelerazione di reti neurali (profonde).
Una raccolta curata di articoli, rapporti tecnici, framework e strumenti per la distillazione on-policy (OPD) di grandi modelli linguistici
Un framework estensibile (generale) per l'apprendimento continuo basato su Pytorch - codice ufficiale di Dark Experience per l'apprendimento continuo generale
sanoTTS (सानो significa «piccolo» in nepalese): un sistema neurale di sintesi vocale con un numero di parametri compreso tra 294 mila e 2,27 milioni, che funziona su un chip da 3 $, nel browser o in Python, con streaming a bassa latenza.
[ICCV 2023] MI-GAN: Una semplice baseline per l'inpainting di immagini sui dispositivi mobili
Il repository per "Distill Any Depth: Distillation Creates a Stronger Monocular Depth Estimator"
Una raccolta curata di articoli e risorse sulla distillazione on-policy per modelli linguistici di grandi dimensioni.
Migliori pratiche per la distillazione di grandi modelli linguistici.
Riassunto, Codice per la Quantizzazione di Reti Neurali Profonde
Da insegnante a tessere — un motore di distillazione e servizio LLM costruito da zero: kernel Triton/CUDA personalizzati, distillazione FSDP, elaborazione batch continua con KV paginato, decodifica speculativa, un gateway Rust, un oracolo JAX e strumenti di interpretabilità.
Domande frequenti
Qual è il repository #knowledge-distillation più popolare su GitHub?
Il progetto open source #knowledge-distillation più alto in classifica su GitHub è titanwings/distilly, con 26,745 stelle. Distilly — Trasforma il loro modo di pensare in Skills riutilizzabili per qualsiasi agente o bot. In precedenza Colleague Skill (原同事 Skill).
Quali linguaggi di programmazione sono più utilizzati nei repository #knowledge-distillation?
Tra i progetti #knowledge-distillation più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C.
Come viene calcolata la classifica dei repository #knowledge-distillation?
Monitoriamo 35 repository open source attivi contrassegnati con #knowledge-distillation (500+ stelle), per un totale di 102,336 stelle e una media di 2,923 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.