jax

Framework tính toán tiến hóa tăng tốc bằng GPU phân tán. Thư viện toàn diện về các thuật toán tiến hóa và bài toán benchmark.

Đơn giản hóa các mô hình ngôn ngữ lớn (LLMs), EasyLM là giải pháp trọn gói để tiền huấn luyện, tinh chỉnh, đánh giá và phục vụ LLM trong JAX/Flax.

Một Jax LLM đơn giản, hiệu năng cao và có thể mở rộng!

Một thư viện học sâu có thể mở rộng

Đào tạo mô hình AI phân tán và Fine-Tuning LLM trên Kubernetes

JAX - Danh sách tài nguyên được tuyển chọn https://github.com/google/jax

Bộ giải phương trình vi phân số trong JAX. Hỗ trợ tự động tính đạo vi phân và GPU. https://docs.kidger.site/diffrax/

Một gói deep learning dành cho biểu diễn năng lượng tiềm năng nhiều thể (many-body) và động lực học phân tử.

Chú thích kiểu và kiểm tra thời gian chạy cho hình dạng và kiểu dữ liệu của mảng JAX/NumPy/PyTorch/v.v. https://docs.kidger.site/jaxtyping/

Magenta RealTime 2: Mô hình âm nhạc trực tiếp với trọng số mở

Machine Learning tự động trên Kubernetes

TensorLy: Học Tensor bằng Python.

Kho lưu trữ này cung cấp mã nguồn và điểm kiểm tra mô hình cho các dự án nghiên cứu AIMv1 và AIMv2.

Trang chủ cho "How To Scale Your Model", một sách giáo khoa kiểu blog ngắn về cách mở rộng quy mô LLM trên TPU

Trạm làm việc âm thanh kỹ thuật số với Python; nhạc cụ/hiệu ứng VST, tự động hóa tham số, FAUST, JAX, Warp Markers và bộ xử lý JUCE

PDEBench: Một bộ chuẩn đánh giá toàn diện cho học máy khoa học

💁 Kho tàng tuyệt vời các mô hình Transformers cho Xử lý ngôn ngữ tự nhiên, bao gồm các bài báo, video, blog, kho lưu trữ chính thức cùng với các Colab Notebook. 🛫☑️

Thư viện mô hình siêu đồ thị nhiệt động lực học trong JAX

Các cài đặt Jax RL đầu cuối cực nhanh

Thư viện Reinforcement Learning (RL) dạng mô-đun (được triển khai bằng PyTorch, JAX và NVIDIA Warp) hỗ trợ Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground và các môi trường khác.

Bộ tối ưu hóa được tăng tốc phần cứng, hỗ trợ tính toán theo lô và khả vi trong JAX.

Gói Python cho mô hình hóa không gian trạng thái xác suất với JAX

Trung tâm mô hình đã được huấn luyện trước cho Keras 3.

Động lực học chất lưu tính toán trong JAX

🦁 Cơ sở mã thân thiện với nghiên cứu để thử nghiệm nhanh chóng học tăng cường đa tác nhân trong JAX

JAX trong JavaScript – Thư viện ML cho web, chạy trên WebGPU & Wasm

Framework phục vụ mô hình ML hiệu năng cao, cung cấp tính năng xử lý theo lô động và đường ống CPU/GPU để khai thác tối đa máy tính của bạn

🕹️ Bộ môi trường học tăng cường có khả năng mở rộng đa dạng trong JAX

Thư viện để đọc và xử lý dữ liệu huấn luyện ML.

Các công cụ vận chuyển tối ưu được triển khai với framework JAX, nhằm giải quyết các bài toán khớp quy mô lớn thuộc mọi loại hình.