gpu-computing

Stabilisation vidéo utilisant les données du gyroscope.

Bibliothèque de Gradient Boosting sur arbres de décision rapide, évolutive et performante, utilisée pour le classement, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java et C++. Prend en charge le calcul sur CPU et GPU.

Bibliothèque TensorFlow haute performance pour la finance quantitative.

Logiciel de CFD basé sur la méthode de Boltzmann sur réseau, le plus rapide et efficace en mémoire, fonctionnant sur tous les GPU et CPU via OpenCL. Gratuit pour un usage non commercial.

Une boîte à outils modulaire et ouverte pour WebGPU, dotée d'une inférence de type avancée et permettant d'écrire des shaders en TypeScript.

Lingvo

Planification des ressources et gestion de cluster pour l'IA.

Framework de calcul GPU polyvalent basé sur Vulkan, prenant en charge des milliers de cartes graphiques multi-fournisseurs (AMD, Qualcomm, NVIDIA, etc.). Ultra-rapide, compatible mobile, asynchrone et optimisé pour le traitement de données GPU avancé. Soutenu par la Linux Foundation.

Bibliothèques de calcul pour cœurs CUDA

Architecture de microprocesseur GPGPU

Intégration CUDA pour Python, avec des fonctionnalités avancées

Calcul parallèle et apprentissage automatique scientifique (SciML) : méthodes et applications (MIT 18.337J/6.338J)

Liste organisée de ressources exceptionnelles autour de l'écosystème WebGPU.

Deep learning en Rust, avec des tenseurs et réseaux de neurones vérifiés par forme.

Compilateur pour modèles de programmation multiples (SYCL, parallélisme standard C++, HIP/CUDA) pour CPU et GPU de tous les fournisseurs : le compilateur indépendant et communautaire pour la programmation hétérogène basée sur C++. Permet aux applications de s'adapter à tout le matériel du système, même à l'exécution !

Simulation de réseaux de neurones impulsionnels (SNN) utilisant PyTorch.

Écrivez en Java. Exécutez sur GPU. Rapide.

Une bibliothèque de calcul numérique GPU efficace en C++20 avec une syntaxe proche de Python

Une bibliothèque de tenseurs rapide, ergonomique et portable en Nim, axée sur le deep learning pour CPU, GPU et appareils embarqués via les backends OpenMP, Cuda et OpenCL

Dépôt source de LuxCore

stdgpu : structures de données de type STL efficaces sur GPU

Bibliothèque de matrices rapide pour Clojure.

Langage embarqué pour les calculs matriciels haute performance

Une liste organisée des meilleurs livres sur la programmation CUDA.

Wrappers légers et unifiés pour les API CUDA, avec une syntaxe typée C++

Intégration de LuxCore pour Blender

Liste des fournisseurs de cloud pour le Deep Learning.

Simulations Particle-in-Cell performantes et portables pour l'ère de l'exascale

GPU-Jupyter : votre JupyterLab accéléré par GPU avec une riche pile d'outils de science des données, TensorFlow et PyTorch pour vos expériences d'apprentissage profond reproductibles.

Package de dynamique des fluides différentiable