jax

Framework distribué accéléré par GPU pour le calcul évolutionnaire. Bibliothèque complète d'algorithmes évolutionnaires et de problèmes de référence.

Simplification des grands modèles de langage (LLM) ; EasyLM est une solution complète pour le pré-entraînement, le réglage fin, l'évaluation et le service de LLM sous JAX/Flax.

Un LLM Jax simple, performant et évolutif.

Une bibliothèque d'apprentissage profond extensible.

Entraînement distribué de modèles d'IA et fine-tuning de LLM sur Kubernetes

JAX - Une liste organisée de ressources https://github.com/google/jax

Solveurs d'équations différentielles numériques en JAX. Différentiables automatiquement et compatibles GPU.

Un package de deep learning pour la représentation de l'énergie potentielle à N-corps et la dynamique moléculaire

Annotations de type et vérification à l'exécution pour la forme et le type de données des tableaux JAX, NumPy, PyTorch, etc.

Magenta RealTime 2 : un modèle de musique live à poids ouverts

Apprentissage automatique automatisé (AutoML) sur Kubernetes.

TensorLy : apprentissage de tenseurs en Python.

Ce dépôt fournit le code et les points de contrôle de modèles pour les projets de recherche AIMv1 et AIMv2.

Accueil de "How To Scale Your Model", un manuel court sous forme de blog sur le passage à l'échelle des LLM sur TPU

Station de travail audio numérique en Python ; instruments/effets VST, automatisation des paramètres, FAUST, JAX, Warp Markers et processeurs JUCE

PDEBench : un benchmark complet pour l'apprentissage automatique scientifique

💁 Une collection impressionnante de modèles Transformers pour le traitement du langage naturel, incluant des articles, vidéos, blogs, dépôts officiels et notebooks Colab. 🛫☑️

Bibliothèque de modèles hypergraphiques thermodynamiques en JAX

Implémentations RL de bout en bout extrêmement rapides avec Jax.

Bibliothèque modulaire d'apprentissage par renforcement (RL) (implémentée en PyTorch, JAX et NVIDIA Warp) avec prise en charge de Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground et d'autres environnements

Optimiseurs accélérés par matériel, par lots et différentiables dans JAX.

Un package Python pour la modélisation probabiliste d'espace d'état avec JAX.

Hub de modèles pré-entraînés pour Keras 3.

Dynamique des fluides numérique dans JAX.

Une base de code adaptée à la recherche pour l'expérimentation rapide de l'apprentissage par renforcement multi-agents dans JAX.

JAX en JavaScript – Bibliothèque de ML pour le web, fonctionnant sur WebGPU et Wasm

Un framework de service de modèles ML haute performance, offrant un traitement par lots dynamique et des pipelines CPU/GPU pour exploiter pleinement votre machine de calcul.

🕹️ Une suite diversifiée d'environnements d'apprentissage par renforcement évolutifs sous JAX.

Bibliothèque pour la lecture et le traitement des données d'entraînement ML.

Outils de transport optimal implémentés avec le framework JAX, pour résoudre des problèmes de mise en correspondance à grande échelle de tous types.