"异构计算"

pjreddie/darknet

darknet：神经网络框架 — darknet是一个开源的神经网络框架，使用C语言实现，能够高效地运行在各种设备上。它支持多种神经网络模型，包括卷积神经网络、循环神经网络等。darknet的主要优点是其高性能和灵活性，使其成为各类机器学习任务的热门选择。

C★ 26.5k⑂ 21kai-ml

☆

microsoft/BitNet

BitNet：1位LLM推理框架 — BitNet是微软开发的官方1位LLM推理框架，用于支持低位深度神经网络的高效推理。它能够有效地优化1位LLM的性能，提高推理速度。BitNet的出现对推动低位深度神经网络的发展具有重要意义

C++★ 39.8k⑂ 3.7kai-ml

☆

hpcaitech/ColossalAI

ColossalAI：大型AI模型的高性能计算框架 — ColossalAI通过数据并行、模型并行和流水线并行等技术，使得大型AI模型的训练和推理变得更快、更便宜和更容易访问。这种框架对于深度学习、分布式计算和超大规模模型的训练具有重要意义。同时，它也支持异构训练和推理，进一步提高了其灵活性和实用性

Python★ 41.4k⑂ 4.5kai-ml

☆

langchain-ai/open_deep_research

open_deep_research：开源深度研究平台 — open_deep_research 是一个专注于深度学习研究的开源平台，旨在为研究人员提供强大的工具和资源。它支持多种深度学习框架，帮助用户高效地进行实验和模型开发。

Python★ 12.1k⑂ 1.7kother

+14 ★☆

datawhalechina/all-in-rag

all-in-rag：RAG技术全栈指南 — all-in-rag 提供了一个全面的RAG（Retrieval-Augmented Generation）技术指南，涵盖从数据准备到模型部署的全过程，帮助开发者掌握大模型应用开发的核心技能。

Python★ 9.6k⑂ 4.8kai-ml

☆

lutzroeder/netron

netron：神经网络可视化工具 — netron支持多种框架，如TensorFlow、PyTorch和Keras，能够帮助开发者更好地理解和优化他们的模型。通过可视化模型的结构和参数，netron能够提高开发效率和模型性能。同时，netron也支持多种模型格式，如ONNX和CoreML

JavaScript★ 33.2k⑂ 3.2kai-ml

☆

keras-team/keras

keras：深度学习库 — keras是一个高级神经网络API，能够运行在TensorFlow、PyTorch等多个后端上。它提供了简单易用的接口，能够让用户快速地构建和训练深度学习模型。通过使用keras，用户可以轻松地实现数据预处理、模型构建、训练和评估等功能

Python★ 64.2k⑂ 19.7kai-ml

☆

zml/zml

zml：零损害的AI模型部署 — zml项目旨在打破AI模型部署的硬件限制，允许用户在任何硬件上部署任何模型，使用Zig语言和OpenXLA、MLIR、Bazel等技术，实现高性能和灵活的AI模型部署。该项目对于AI应用的开发和部署具有重要意义。通过zml，开发者可以更容易地将AI模型部署到不同的硬件平台上，提高AI应用的效率和可靠性。

Zig★ 3.9k⑂ 170ai-ml

☆

deepspeedai/DeepSpeed

DeepSpeed：深度学习优化库 — DeepSpeed是一个深度学习优化库，支持分布式训练和推理，能够有效地处理大规模模型和数据。它提供了诸如数据并行、模型并行、管道并行等功能，能够显著提高训练和推理的效率。DeepSpeed对于需要处理大量数据和复杂模型的机器学习和深度学习任务具有重要意义。

Python★ 42.7k⑂ 4.9kai-ml

☆

phillipi/pix2pix

pix2pix：图像到图像的翻译 — pix2pix 项目使用 Lua 语言和 DCGAN、GAN 等技术，实现了图像到图像的翻译。这种技术可以应用于图像生成、图像操纵等领域。pix2pix 的出现对计算机图形学和计算机视觉领域具有重要意义

Lua★ 10.6k⑂ 1.7kai-ml

☆

ultralytics/ultralytics

ultralytics：开源计算机视觉库 — ultralytics 库提供了多种计算机视觉功能，包括目标检测、图像分类、实例分割、姿势估计等。它基于 PyTorch 框架，支持 CLI 和 Hub 功能，能够满足不同用户的需求。ultralytics 库的开源性和强大的功能使其成为计算机视觉领域的重要工具。

Python★ 59.6k⑂ 11.4kai-ml

☆

ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code

500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code：机器学习和深度学习项目集合 — 500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code项目为开发者提供了一个全面而丰富的机器学习和深度学习项目集合，包括计算机视觉和NLP等领域的实现。该项目使用Python语言编写，涵盖了artificial-intelligence、deep-learning、machine-learning等多个主题。通过该项目，开发者可以快速找到并学习相关领域的项目代码，提高自己的开发效率和水平。

★ 35.6k⑂ 7.4kai-ml

☆

tensorflow/tensorflow

tensorflow：开源机器学习框架 — tensorflow是一个开源的机器学习框架，提供了广泛的工具和资源，用于构建和训练机器学习模型。它支持多种编程语言，包括C++和Python，并提供了分布式训练和部署的能力。tensorflow在深度学习和神经网络领域具有广泛的应用和影响力

C++★ 196.4k⑂ 75.6kai-ml

☆

dottxt-ai/outlines

outlines：结构化输出 — outlines 是一个用于生成结构化输出的工具，帮助用户更有效地管理和分析数据。

Python★ 14.7k⑂ 793other

+49 ★☆

jax-ml/jax

jax：Python 编程的可组合变换 — jax 可以对 Python+NumPy 程序进行可组合变换，实现求导、向量化、JIT 编译到 GPU/TPU 等功能，使得机器学习和科学计算更加高效。jax 的设计初衷是提供一个简单易用的 API，用于构建和优化机器学习模型。jax 的功能可以帮助开发者更好地利用硬件资源，提高计算效率

Python★ 36k⑂ 3.7kother

☆

yzhao062/pyod

pyod：异常检测库 — pyod提供了60多种检测器、基准测试支持的ADEngine编排和AI代理工作流，用于异常检测任务。该库支持多种数据类型和检测方法，包括无监督学习和集成方法。pyod的功能和灵活性使其成为数据科学和机器学习领域的重要工具。

Python★ 9.9k⑂ 1.5kai-ml

☆

Theano/Theano

Theano：Python 数学表达式优化库 — Theano 是一个 Python 库，允许您定义、优化和评估涉及多维数组的数学表达式。它能够高效地处理复杂的数学运算，并且现在被继续开发为 PyTensor。Theano 的优化功能使其成为机器学习和科学计算的重要工具。

Python★ 10k⑂ 2.5kother

☆

judofyr/spice

spice：Zig 中的细粒度并行性 — spice 提供了高性能的并行计算能力，通过 Zig 语言实现了低开销的线程管理和调度。这种细粒度的并行性使得开发者能够更好地利用多核处理器的优势。同时，spice 的亚纳秒级开销使得它适用于高性能计算和实时系统的开发

Zig★ 969⑂ 25other

☆

calcom/cal.diy

cal.diy：开放式日程安排基础设施 — cal.diy 是一个使用 TypeScript 编写的开源项目，提供了一个强大的日程安排基础设施，支持多种技术栈，包括 Next.js、PostgreSQL、Prisma 等。它的设计目标是为所有人提供一个易于使用和扩展的日程安排解决方案，从而提高生产力和效率。通过使用 cal.diy，开发者可以快速构建自己的日程安排应用程序。

TypeScript★ 46.6k⑂ 14.5kweb

☆

soxoj/maigret

maigret：信息收集工具 — maigret是一个开源的信息收集工具，通过用户名从多个网站收集信息，帮助用户快速收集目标人物的信息。它支持从3000多个网站收集信息，包括社交网络、论坛等。maigret的主要功能是帮助用户进行网络调查和信息收集，特别是在网络安全和开源情报领域

Python★ 35.6k⑂ 2.7ksecurity

☆

microsoft/graphrag

graphrag：基于图的检索增强生成系统 — graphrag是一个基于图的检索增强生成（RAG）系统，使用Python语言开发。该系统能够提高生成模型的性能和效率，特别是在处理大规模数据时。graphrag的模块化设计使其易于扩展和定制，适用于各种自然语言处理任务。

Python★ 34.5k⑂ 3.6kai-ml

☆

BVLC/caffe

caffe：深度学习开源框架 — caffe是一个高性能的深度学习框架，支持多种神经网络架构和优化算法。它能够用于图像和语音识别、自然语言处理等领域，具有广泛的应用前景。caffe的开源性质使得开发者能够轻松地扩展和定制框架，以满足特定的需求。

C++★ 34.6k⑂ 18.5kai-ml

☆

openai/CLIP

CLIP：对比语言图像预训练 — CLIP 通过对比语言图像预训练，能够学习图像和文本之间的语义关系，从而实现图像和文本的跨模态检索和理解。这种技术在计算机视觉和自然语言处理领域具有重要意义。CLIP 的应用包括图像搜索、图像描述生成等

Jupyter Notebook★ 34k⑂ 4kai-ml

☆

krahets/hello-algo

hello-algo：动画图解算法教程 — hello-algo 提供了丰富的数据结构与算法教程，包括动画图解和多语言代码实现，如 Python、Java、C++ 等。它支持简中、繁中、English、日本語等多种语言，非常适合编程学习者。hello-algo 的特点是提供了一键运行的代码示例，方便用户快速理解和掌握算法

Java★ 127.7k⑂ 15.2kother

☆

facebook/zstd

zstd：快速实时压缩算法 — zstd是一种由Facebook开发的压缩算法，旨在提供高性能和低延迟的压缩和解压缩功能。它能够高效地处理大规模数据，并且广泛应用于各种领域。zstd的优点在于其速度快、效率高、并且能够实时压缩和解压缩数据

C★ 27.4k⑂ 2.5kother

☆

yifanfeng97/Hyper-Extract

Hyper-Extract：结构化知识提取 — Hyper-Extract可以将无结构文本转化为结构化知识，支持图、超图和时空提取等功能。它利用LLMs技术，以一条命令即可完成复杂的数据提取工作。这种功能可以帮助用户更好地理解和利用文本数据

Python★ 1.9k⑂ 210ai-ml

+124 ★☆

algorithm-visualizer/algorithm-visualizer

algorithm-visualizer：算法可视化平台 — algorithm-visualizer是一个基于JavaScript的平台，能够将算法动画化和可视化，从而帮助用户更好地理解和学习算法。它支持多种算法和数据结构的可视化，包括排序、搜索和图算法等。通过可视化，用户可以更直观地看到算法的执行过程和结果

JavaScript★ 48.7k⑂ 7.6kdata

☆

lllyasviel/ControlNet

ControlNet：控制扩散模型 — ControlNet 是一个开源项目，旨在让用户能够控制扩散模型的行为。它提供了一种简单的方式来管理和优化扩散模型，从而使其在各种应用中更加高效和有效。通过使用 ControlNet，用户可以更好地理解和控制扩散模型的行为

Python★ 34k⑂ 3kai-ml

☆

heygen-com/hyperframes

hyperframes：用于AI和视频渲染的框架 — hyperframes是一个强大的框架，能够帮助开发者轻松地写入HTML和渲染视频。它支持多种技术，包括ffmpeg、gsap和puppeteer，能够满足复杂的渲染需求。hyperframes的出现使得AI代理能够更好地处理视频渲染任务

TypeScript★ 36.3k⑂ 3.4kai-ml

☆

HKUDS/LightRAG

LightRAG：简单快速的检索增强生成 — LightRAG是一个基于Python的检索增强生成模型，利用知识图谱和检索技术来提高大语言模型的性能和准确性。它可以应用于各种自然语言处理任务，例如文本生成和问答系统。LightRAG的简单性和快速性使其成为一个有前途的研究方向

Python★ 37.8k⑂ 5.3kai-ml

☆

chenfei-wu/TaskMatrix

TaskMatrix：任务管理矩阵 — TaskMatrix是一个开源的任务管理平台，使用Python语言开发。它提供了一个简单易用的接口，帮助用户管理和跟踪任务。通过TaskMatrix，用户可以高效地组织和优先级任务，从而提高生产力。

Python★ 34.1k⑂ 3.2kother

☆

vllm-project/vllm

vllm：高性能LLM推理和服务引擎 — vllm是一个高性能的LLM推理和服务引擎，能够支持多种硬件平台，包括CUDA、TPU等。它使用PyTorch等框架，提供高吞吐量和内存高效的推理和服务能力。vllm的出现可以帮助提高LLM的推理和服务效率，减少计算资源的消耗

Python★ 86.6k⑂ 19.6kai-ml

☆

riverwm/river

river：非单体Wayland合成器 — river是一个开源的Wayland合成器，使用Zig语言编写，具有高性能和可定制性。它的设计目标是提供一个灵活和可扩展的窗口管理器，能够满足不同用户的需求。通过使用wlroots库，river能够提供一个稳定和高效的Wayland合成器实现

Zig★ 4.2k⑂ 165other

☆

rust-ml/linfa

linfa：机器学习框架 — linfa是一个使用Rust语言的机器学习框架，提供了多种算法和工具用于科学计算和数据分析。它可以帮助开发者快速构建和部署机器学习模型，提高开发效率和模型准确性。同时，linfa还支持多种数据格式和接口，方便开发者集成到自己的项目中。

Rust★ 4.7k⑂ 328ai-ml

☆

microsoft/presidio

presidio：敏感数据保护框架 — presidio支持NLP、模式匹配和可自定义的管道，能够检测和保护个人可识别信息（PII），确保数据隐私和安全。该框架适用于多种数据类型，包括文本、图像和结构化数据。通过使用presidio，开发人员可以轻松地将数据保护功能集成到自己的应用程序中。

Python★ 9.7k⑂ 1.2kai-ml

☆

deepset-ai/haystack

haystack：开源AI编排框架 — haystack允许用户设计模块化的管道和agent工作流，并对检索、路由、内存和生成具有明确的控制权。它适用于大规模agent、RAG、多模态应用、语义搜索和对话系统。haystack的目的是为了帮助用户构建高效、智能的LLM应用程序

MDX★ 25.9k⑂ 2.9kai-ml

☆

kvcache-ai/ktransformers

ktransformers：异构大模型推理与微调优化框架 — ktransformers 是一个灵活的框架，旨在优化异构大语言模型的推理和微调过程。通过该框架，用户可以更高效地利用不同硬件资源，提升模型性能。

Python★ 18.8k⑂ 1.5kai-ml

+458 ★☆