jax

Framework distribuído com aceleração por GPU para computação evolutiva. Biblioteca abrangente de algoritmos evolutivos e problemas de benchmark.

Grandes modelos de linguagem (LLMs) simplificados; EasyLM é uma solução completa para pré-treinamento, ajuste fino, avaliação e disponibilização de LLMs em JAX/Flax.

Um LLM Jax simples, performático e escalável!

Uma biblioteca extensível de Deep Learning

Treinamento distribuído de modelos de IA e ajuste fino de LLMs no Kubernetes

JAX - Uma lista curada de recursos https://github.com/google/jax

Solucionadores de equações diferenciais numéricas em JAX. Autodiferenciável e compatível com GPU. https://docs.kidger.site/diffrax/

Um pacote de deep learning para representação de energia potencial de muitos corpos e dinâmica molecular.

Anotações de tipo e verificação em tempo de execução para shape e dtype de arrays JAX/NumPy/PyTorch/etc. https://docs.kidger.site/jaxtyping/

Magenta RealTime 2: Um modelo de música ao vivo com pesos abertos

Machine Learning automatizado no Kubernetes

TensorLy: Aprendizado de tensores em Python.

Este repositório fornece o código e os checkpoints de modelos para os projetos de pesquisa AIMv1 e AIMv2.

Repositório de "How To Scale Your Model", um livro didático em estilo de blog sobre o escalonamento de LLMs em TPUs

Estação de trabalho de áudio digital (DAW) com Python; inclui instrumentos/efeitos VST, automação de parâmetros, FAUST, JAX, Warp Markers e processadores JUCE.

PDEBench: Um benchmark abrangente para aprendizado de máquina científico.

💁 Tesouro incrível de modelos Transformers para processamento de linguagem natural, contendo artigos, vídeos, blogs, repositório oficial e notebooks do Colab. 🛫☑️

Biblioteca de modelo hipergráfico termodinâmico em JAX.

Implementações de RL de ponta a ponta extremamente rápidas em Jax

Biblioteca modular de Aprendizado por Reforço (RL) (implementada em PyTorch, JAX e NVIDIA Warp) com suporte para Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground e outros ambientes

Otimizadores acelerados por hardware, em lote e diferenciáveis em JAX.

Um pacote Python para modelagem de espaço de estados probabilístico com JAX

Hub de modelos pré-treinados para Keras 3.

Dinâmica dos Fluidos Computacional em JAX

🦁 Uma base de código amigável para pesquisa para experimentação rápida de aprendizado por reforço multi-agente em JAX

JAX em JavaScript – Biblioteca de ML para a web, executada em WebGPU & Wasm

Um framework de atendimento de modelos ML de alto desempenho, oferece loteamento dinâmico e pipelines de CPU/GPU para explorar totalmente sua máquina de computação

🕹️ Um conjunto diversificado de ambientes de aprendizado por reforço escaláveis em JAX

Biblioteca para leitura e processamento de dados de treinamento de ML.

Ferramentas de transporte ótimo implementadas com o framework JAX para resolver problemas de correspondência em larga escala de qualquer tipo.