jax

Framework distribuido y acelerado por GPU para computación evolutiva. Biblioteca completa de algoritmos evolutivos y problemas de referencia.

Modelos de lenguaje grande (LLMs) simplificados; EasyLM es una solución integral para el entrenamiento previo, ajuste Fino, evaluación y servicio de LLMs en JAX/Flax.

¡Un LLM para Jax simple, eficiente y escalable!

Una biblioteca de aprendizaje profundo extensible.

Entrenamiento distribuido de modelos de IA y ajuste fino de LLM en Kubernetes

JAX: una lista seleccionada de recursos https://github.com/google/jax

Solucionadores numéricos de ecuaciones diferenciales en JAX. Autodiferenciable y compatible con GPU. https://docs.kidger.site/diffrax/

Un paquete de aprendizaje profundo para la representación de energía potencial de muchos cuerpos y dinámica molecular

Anotaciones de tipo y verificación en tiempo de ejecución para la forma y el tipo de datos de arrays en JAX, NumPy, PyTorch, etc.

Magenta RealTime 2: Un modelo de música en vivo de pesos abiertos.

Machine Learning automatizado en Kubernetes

TensorLy: aprendizaje de tensores en Python.

Este repositorio proporciona el código y los puntos de control de modelos para los proyectos de investigación AIMv1 y AIMv2.

Repositorio de "How To Scale Your Model", un libro de texto breve estilo blog sobre el escalado de LLMs en TPUs

Estación de trabajo de audio digital con Python; instrumentos/efectos VST, automatización de parámetros, FAUST, JAX, marcadores de deformación y procesadores JUCE.

PDEBench: Un benchmark extenso para el aprendizaje automático científico.

💁 Impresionante colección de modelos Transformers para procesamiento de lenguaje natural que contiene artículos, videos, blogs, repositorio oficial junto con cuadernos de Colab. 🛫☑️

Biblioteca de modelos hipergráficos termodinámicos en JAX

Implementaciones de RL en Jax extremadamente rápidas de extremo a extremo

Biblioteca modular de aprendizaje por refuerzo (RL) (implementada en PyTorch, JAX y NVIDIA Warp) con soporte para Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground y otros entornos.

Optimizadores acelerados por hardware, por lotes y diferenciables en JAX.

Paquete de Python para modelado probabilístico de espacio de estados con JAX.

Centro de modelos preentrenados para Keras 3.

Dinámica de fluidos computacional en JAX.

🦁 Una base de código orientada a la investigación para la experimentación rápida de aprendizaje por refuerzo multi-agente en JAX

JAX en JavaScript: biblioteca de ML para la web, ejecutándose en WebGPU y Wasm.

Un framework de alto rendimiento para servir modelos de ML, que ofrece procesamiento por lotes dinámico y pipelines de CPU/GPU para aprovechar al máximo su equipo de cómputo

🕹️ Un conjunto diverso de entornos de aprendizaje por refuerzo escalables en JAX

Biblioteca para la lectura y procesamiento de datos de entrenamiento de ML.

Herramientas de transporte óptimo implementadas con el framework JAX, para resolver problemas de emparejamiento a gran escala de cualquier tipo.