jax

Framework terdistribusi dengan akselerasi GPU untuk komputasi evolusioner. Pustaka komprehensif algoritma evolusioner & masalah benchmark.

Large Language Models (LLM) menjadi mudah, EasyLM adalah solusi terpadu untuk prapelatihan, fine-tuning, evaluasi, dan penyajian LLM di JAX/Flax.

Jax LLM yang sederhana, berkinerja tinggi, dan dapat disesuaikan!

Pustaka Deep Learning yang dapat diperluas

Pelatihan Model AI Terdistribusi dan Fine-Tuning LLM di Kubernetes

JAX - Daftar sumber daya terkurasi https://github.com/google/jax

Pemecah persamaan diferensial numerik di JAX. Mendukung autodifferentiable dan GPU. https://docs.kidger.site/diffrax/

Paket deep learning untuk representasi energi potensial many-body dan dinamika molekuler

Anotasi tipe dan pemeriksaan waktu proses untuk bentuk dan tipe data array JAX/NumPy/PyTorch/dll. https://docs.kidger.site/jaxtyping/

Magenta RealTime 2: Model Musik Langsung dengan Bobot Terbuka

Automated Machine Learning di atas Kubernetes

TensorLy: Tensor Learning dalam Python.

Repositori ini menyediakan kode dan checkpoint model untuk proyek penelitian AIMv1 dan AIMv2.

Rumah untuk "How To Scale Your Model", buku teks singkat bergaya blog tentang penskalaan LLM pada TPU

Digital Audio Workstation dengan Python; instrumen/efek VST, otomatisasi parameter, FAUST, JAX, Warp Markers, dan prosesor JUCE

PDEBench: Tolok Ukur Ekstensif untuk Pembelajaran Mesin Ilmiah

💁 Kumpulan luar biasa Model Transformers untuk Natural Language Processing yang berisi makalah, video, blog, repo resmi beserta Colab Notebooks. 🛫☑️

Pustaka Model Hipergraf Termodinamika di JAX

Implementasi Jax RL End-to-End yang Sangat Cepat

Pustaka Reinforcement Learning (RL) modular (diimplementasikan dalam PyTorch, JAX, dan NVIDIA Warp) dengan dukungan untuk Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground, dan lingkungan lainnya

Optimizer yang dipercepat perangkat keras, dapat di-batch, dan dapat diturunkan (differentiable) di JAX.

Paket Python untuk pemodelan ruang status probabilistik dengan JAX

Pusat model terlatih untuk Keras 3.

Dinamika Fluida Komputasi di JAX

🦁 Basis kode yang ramah penelitian untuk eksperimen cepat pembelajaran penguatan multi-agen (multi-agent reinforcement learning) di JAX

JAX dalam JavaScript – Pustaka ML untuk web, berjalan di WebGPU & Wasm

Framework penyajian model ML performa tinggi, menawarkan batching dinamis dan pipeline CPU/GPU untuk memaksimalkan mesin komputasi Anda

🕹️ Rangkaian lingkungan pembelajaran penguatan (reinforcement learning) yang dapat diskalakan di JAX

Pustaka untuk membaca dan memproses data pelatihan ML.

Alat transportasi optimal yang diimplementasikan dengan kerangka kerja JAX untuk menyelesaikan masalah pencocokan skala besar dalam berbagai bentuk.