jax

Verteiltes, GPU-beschleunigtes Framework für evolutionäre Berechnungen. Umfassende Bibliothek evolutionärer Algorithmen und Benchmark-Probleme.

Große Sprachmodelle (LLMs) leicht gemacht – EasyLM ist eine Komplettlösung für Pre-Training, Fine-Tuning, Evaluierung und Bereitstellung von LLMs in JAX/Flax.

Eine einfache, performante und skalierbare Jax LLM!

Eine erweiterbare Deep-Learning-Bibliothek

Verteiltes KI-Modelltraining und LLM-Feinabstimmung auf Kubernetes

JAX – Eine kuratierte Liste von Ressourcen https://github.com/google/jax

Numerische Löser für Differentialgleichungen in JAX. Automatisch differenzierbar und GPU-fähig. https://docs.kidger.site/diffrax/

Ein Deep-Learning-Paket zur Darstellung von Vielteilchen-Potenzialenergien und für die Molekulardynamik

Typannotationen und Laufzeitprüfung für Form und Datentyp von JAX-, NumPy-, PyTorch- und anderen Arrays. https://docs.kidger.site/jaxtyping/

Magenta RealTime 2: Ein Live-Musik-Modell mit offenen Gewichten

Automatisiertes maschinelles Lernen auf Kubernetes

TensorLy: Tensor-Learning in Python.

Dieses Repository enthält den Code und die Modell-Checkpoints für die Forschungsprojekte AIMv1 und AIMv2.

Heimat von "How To Scale Your Model", einem kurzen, blog-artigen Lehrbuch über die Skalierung von LLMs auf TPUs

Digitale Audio-Workstation mit Python; VST-Instrumente/-Effekte, Parameterautomatisierung, FAUST, JAX, Warp-Marker und JUCE-Prozessoren

PDEBench: Ein umfangreicher Benchmark für wissenschaftliches maschinelles Lernen

💁 Fantastische Sammlung von Transformers-Modellen für die natürliche Sprachverarbeitung mit Papers, Videos, Blogs, offiziellem Repository sowie Colab-Notebooks. 🛫☑️

Thermodynamische hypergraphische Modellbibliothek in JAX

Sehr schnelle End-to-End-Jax-RL-Implementierungen

Modulare Reinforcement-Learning-Bibliothek (implementiert in PyTorch, JAX und NVIDIA Warp) mit Unterstützung für Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground und andere Umgebungen.

Hardware-beschleunigte, stapelbare und differenzierbare Optimierer in JAX.

Ein Python-Paket für probabilistische Zustandsraummodellierung mit JAX

Hub für vortrainierte Modelle für Keras 3.

Strömungsmechanik (Computational Fluid Dynamics) in JAX.

🦁 Eine forschungsfreundliche Codebasis für schnelle Experimente mit Multi-Agenten-Reinforcement-Learning in JAX

JAX in JavaScript – ML-Bibliothek für das Web, läuft auf WebGPU & Wasm

Ein Hochleistungs-Framework für die Bereitstellung von ML-Modellen mit dynamischem Batching und CPU/GPU-Pipelines zur vollständigen Ausnutzung Ihrer Rechenmaschine

🕹️ Eine vielseitige Sammlung skalierbarer Reinforcement-Learning-Umgebungen in JAX

Bibliothek zum Lesen und Verarbeiten von ML-Trainingsdaten.

Mit dem JAX-Framework implementierte Tools für optimalen Transport zur Lösung großflächiger Zuordnungsprobleme jeder Art.