#distributed-training Repositórios
Descubra 147 repositórios ativos de código aberto no GitHub marcados com #distributed-training, acumulando um total de 615,835 estrelas (uma média de 4,189 por projeto). O líder deste tópico é tensorflow/models, com 77,631 estrelas.
147 repositórios no total
Aprenda a desenvolver, implantar e iterar em aplicativos de ML de nível de produção.
A maior coleção de codificadores/backbones de imagem PyTorch. Incluindo scripts de treino, avaliação, inferência, exportação e pesos pré-treinados -- ResNet, ResNeXt, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, e mais
PArallel Distributed Deep LEarning: Estrutura de Machine Learning da Prática Industrial (Estrutura central do 'PaddlePaddle', treinamento distribuído e de alto desempenho para aprendizado profundo e machine learning, e implantação multiplataforma)
Um conjunto de exemplos em torno de pytorch em Visão, Texto, Aprendizagem por Reforço, etc.
Biblioteca de LLM e SLM poderosa e fácil de usar com um impressionante acervo de modelos.
A plataforma de computação de IA para equipes de ponta. SkyPilot transforma a computação de IA fragmentada em um supercomputador de IA, para que equipes de ponta construam inteligência personalizada mais rapidamente.
Fundamentos de Grandes Modelos: Um artigo para entender os conhecimentos básicos sobre Grandes Modelos
Meta Lingua: uma base de código enxuta, eficiente e fácil de modificar para pesquisar LLMs.
MindSpore é uma nova estrutura de treinamento/inferência de aprendizado profundo de código aberto que pode ser usada para cenários móveis, de borda (edge) e de nuvem.
Compartilhamento de conhecimento de AI Infra e prática de código: PyTorch, vLLM/SGLang, introdução ao framework slime/vime ⚡️, aceleração de desempenho 🚀, fundamentos de modelos grandes 🧠, software e hardware de IA 🔧, etc.
Uma estrutura de aprendizado profundo industrial para dados esparsos de alta dimensão
Fengshenbang-LM (封神榜大模型) é um sistema de modelo grande de código aberto liderado pelo Centro de Pesquisa de Computação Cognitiva e Linguagem Natural do Instituto IDEA, tornando-se a infraestrutura para AIGC e inteligência cognitiva em chinês.
Uma implementação de um modelo de recomendação de aprendizado profundo (DLRM)
FEDML - A biblioteca de ML unificada e escalável para treinamento distribuído em larga escala, serviço de modelo e aprendizado federado. O FEDML Launch, um agendador multi-cloud, permite ainda a execução de quaisquer tarefas de IA em qualquer cloud de GPU ou cluster local. Construída sobre esta biblioteca, a TensorOpera AI (https://TensorOpera.ai) é a sua plataforma de IA generativa em escala.
FlagAI (Fast LArge-scale General AI models) é um kit de ferramentas rápido, fácil de usar e extensível para modelos de grande escala.
Deformable DETR: Transformers Deformáveis para Detecção de Objetos Fim a Fim.
Uma plataforma para sistemas de raciocínio (Aprendizagem por Reforço, Bandidos Contextuais, etc.)
Extensões do PyTorch para alto desempenho e treinamento em larga escala.
Miles é um framework de aprendizado por reforço voltado para empresas para o pós-treinamento de LLM e VLM, derivado e co-evoluindo com slime.
Determined é uma plataforma de aprendizado de máquina de código aberto que simplifica o treinamento distribuído, o ajuste de hiperparâmetros, o rastreamento de experimentos e o gerenciamento de recursos. Funciona com PyTorch e TensorFlow.
Um algoritmo de paralelismo de pipeline bidirecional para sobreposição de computação-comunicação no treinamento do DeepSeek V3/R1.
Implementação de referência para DPO (Otimização Direta de Preferências)
Este repositório registra principalmente perguntas de entrevistas relacionadas a engenheiros de algoritmos de Modelos de Linguagem Grandes (LLMs).
Projeto contendo material relacionado para os meus artigos sobre TensorFlow
Aprendizado profundo descentralizado em PyTorch. Construído para treinar modelos em milhares de voluntários ao redor do mundo.
Perguntas Frequentes
Qual é o repositório de #distributed-training mais popular no GitHub?
O projeto de código aberto de #distributed-training mais bem classificado no GitHub é tensorflow/models, com 77,631 estrelas. Modelos e exemplos criados com TensorFlow
Quais linguagens de programação são mais usadas nos repositórios de #distributed-training?
Entre os projetos de #distributed-training mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, HTML.
Como é calculada a classificação dos repositórios de #distributed-training?
Acompanhamos 147 repositórios ativos de código aberto marcados com #distributed-training (com mais de 500 estrelas), totalizando 615,835 estrelas e uma média de 4,189 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.