"hyperparameter-optimization"

📦 开源项目

andrewrk/poop

poop：性能优化观察平台 — poop是一个性能优化观察平台，用于收集和分析性能数据，以帮助开发者优化应用程序。它使用Zig语言开发，提供了高性能和可靠的数据分析能力。通过使用poop，开发者可以更好地理解应用程序的性能瓶颈， 从而优化应用程序的性能。

Zig★ 2k⑂ 91other

☆

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

☆

facebookarchive/prepack

prepack：JavaScript 代码优化工具 — prepack 通过分析 JavaScript 代码，消除未使用的代码，减小代码体积，并优化代码执行效率。这种优化对于提高 Web 应用性能和减少加载时间至关重要。通过使用 prepack，开发者可以更好地优化他们的 JavaScript 代码，提高用户体验。

JavaScript★ 14.1k⑂ 412web

☆

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

☆

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

☆

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

☆

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

☆

vectordotdev/vector

vector：高性能可观测性数据管道 — vector是一个高性能的可观测性数据管道，能够处理和转换大量的日志、指标和追踪数据。它使用Rust语言开发，具有高性能、可靠性和可扩展性。vector能够与多个数据源和目标集成，包括Datadog、云原生环境等，提供实时的数据处理和分析能力。

Rust★ 22.2k⑂ 2.2kdevops

☆

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⑂ 21.1kai-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★ 34k⑂ 3.2kai-ml

☆

xai-org/x-algorithm

x-algorithm：为您推荐算法 — x-algorithm是一个用Rust编写的算法，旨在为X的为您推荐-feed提供动力。它能够根据用户的偏好和行为，推荐最相关的内容。这种算法对于提升用户体验和增加用户参与度至关重要

Rust★ 26.4k⑂ 4.5kother

☆

hiyouga/LlamaFactory

LlamaFactory：统一高效微调 — LlamaFactory实现了对100多个LLMs和VLMs的统一高效微调，支持多种微调方法，包括fine-tuning、instruction-tuning和Lora等。该项目使用Python语言开发，基于Transformers库，能够高效地微调大语言模型。LlamaFactory的出现对于自然语言处理（NLP）领域具有重要意义，能够帮助研究人员和开发人员更好地利用大语言模型

Python★ 73.1k⑂ 8.9kai-ml

☆

vuejs/petite-vue

petite-vue：轻量级Vue框架 — petite-vue是一个轻量级的Vue框架，用于渐进式增强，通过减少代码体积和优化性能来提供更好的用户体验。它可以帮助开发者更容易地创建快速和响应式的Web应用。petite-vue的设计目标是提供一个简单和高效的方式来构建Web应用

TypeScript★ 9.7k⑂ 397web

☆

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

☆

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 ★☆

aristocratos/btop

btop：系统资源监控工具 — btop 是一个使用 C++ 编写的系统资源监控工具，用于显示系统的 CPU、内存、磁盘和网络资源使用情况。它可以帮助用户实时监控系统资源，快速发现和解决系统瓶颈。通过使用 btop，用户可以优化系统性能和资源利用率。

C++★ 33.4k⑂ 1.1kother

☆

karpathy/autoresearch

autoresearch：自动研究项目 — autoresearch项目使用AI代理自动进行研究，重点关注单GPU上的nanochat训练，能够自动完成训练过程。该项目利用Python语言开发，能够高效地进行研究工作。autoresearch项目的目标是实现自动化研究，减少人工干预，提高研究效率

Python★ 90.6k⑂ 13kai-ml

☆

vwxyzjn/cleanrl

cleanrl：高质量的深度强化学习算法实现 — cleanrl提供了多种深度强化学习算法的实现，包括PPO、DQN、C51、DDPG、TD3、SAC和PPG等。这些算法都是在一个单文件中实现的，具有研究友好的特性。cleanrl的实现基于Python和PyTorch，能够与Gym和WandB等流行的机器学习库进行集成。

Python★ 10k⑂ 1.1kai-ml

☆

FoundationAgents/MetaGPT

MetaGPT：多智能体框架 — MetaGPT是一个开源项目，提供了一个多智能体框架，用于实现自然语言编程。它利用GPT和LLM技术，实现了多智能体之间的交互和协作。MetaGPT的目标是推动人工智能技术的发展，实现更加自然和高效的编程方式

Python★ 69.3k⑂ 8.8kai-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

Python★ 39.6k⑂ 3.6kai-ml

☆

allenai/olmocr

olmocr：PDF线性化工具包 — olmocr是一个Python工具包，用于将PDF文件线性化，以便于LLM（大语言模型）数据集和训练的准备。它可以帮助提高LLM的训练效率和准确率。通过使用olmocr，用户可以更轻松地处理和分析PDF文件

Python★ 18.5k⑂ 1.5kai-ml

+334 ★☆

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

☆

recommenders-team/recommenders

recommenders：推荐系统最佳实践 — recommenders 项目是一个开源的推荐系统示例代码仓库，使用 Python 编写，提供了多种推荐算法和模型的实现。该项目旨在帮助开发者快速构建和部署推荐系统，提高推荐系统的准确性和性能。通过使用 recommenders 项目，开发者可以轻松地将推荐系统集成到自己的应用中

Python★ 21.8k⑂ 3.3kai-ml

☆

OpenRLHF/OpenRLHF

OpenRLHF：基于 Ray 的易用、可扩展和高性能的智能体 RL 框架 — OpenRLHF 框架支持多种算法，包括 PPO、DAPO、REINFORCE++、VLM、TIS、vLLM 和 Async RL，能够高效地处理大规模数据和复杂任务。该框架基于 Ray，具有高性能和可扩展性，适用于大型语言模型和视觉语言模型的训练和部署。同时，OpenRLHF 还支持从人类反馈中学习，能够提高模型的性能和鲁棒性

Python★ 9.7k⑂ 973ai-ml

☆

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★ 85.8k⑂ 19.2kai-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★ 59.3k⑂ 11.3kai-ml

☆

MemTensor/MemOS

MemOS：自演化内存操作系统 — MemOS是为大语言模型（LLM）和AI代理设计的自演化内存操作系统。它实现了超持久内存、混合检索和跨任务技能复用，能够显著提高AI系统的性能和效率。通过MemOS，开发者可以创建更加智能和高效的AI应用，推动AI技术的发展

TypeScript★ 10k⑂ 913ai-ml

☆

camel-ai/owl

owl：优化的工作力学习 — owl提供了一种优化的工作力学习方法，用于提高多智能体系统在任务自动化中的性能和效率。通过使用owl，开发者可以更容易地创建智能辅助系统，并提高任务自动化的准确性和速度。owl的优化算法和多智能体系统使其成为任务自动化领域的一个重要工具

Python★ 19.9k⑂ 2.3kai-ml

☆

affaan-m/ECC

ECC：性能优化系统 — ECC是一个性能优化系统，旨在提高AI代理的技能、直觉、记忆、安全性和研究能力。它为Claude Code、Codex、Opencode、Cursor等提供了研究优先的开发方法。ECC的优化系统可以提高开发者的生产力和系统的安全性。

JavaScript★ 227.8k⑂ 34.8kai-ml

☆

0voice/interview_internal_reference

interview_internal_reference：技术面试题目汇总 — interview_internal_reference 项目是一个技术面试题目和答案的集合，涵盖了 cpu、high-performance、interview、mongodb、mysql、network、nginx、redis、storage、zookeeper 等多个领域。该项目旨在帮助开发人员准备技术面试，提供了专家出题人分析汇总的面试题目和答案。同时，interview_internal_reference 项目也是一个学习和交流的平台，开发人员可以在这里找到很多有价值的面试经验和技术知识。

Python★ 37.2k⑂ 9.4kbackend

☆

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。

★ 35.3k⑂ 7.3kai-ml

☆

fastify/fastify

fastify：快速且低开销的Web框架 — fastify是一个高性能的Web框架，能够提供快速和低开销的服务。它适用于Node.js，能够帮助开发者快速构建Web应用。fastify的性能和速度使其成为开发者的首选

JavaScript★ 36.7k⑂ 2.8kbackend

☆

highlight/highlight

highlight：开源全栈监控平台 — highlight是一个开源的全栈监控平台，提供了错误监控、会话回放、日志记录、分布式追踪等功能。它帮助开发人员和运维团队实时监控和优化应用程序的性能。highlight的开源性和自托管能力使其成为开发人员的热门选择。

TypeScript★ 9.3k⑂ 670devops

☆

binhnguyennus/awesome-scalability

awesome-scalability：大规模系统的可扩展性和可靠性模式 — awesome-scalability 提供了大量的资源和设计模式，帮助开发者构建大规模系统，包括架构、后端开发、分布式系统、机器学习等方面的知识。该仓库对于想要提高系统可扩展性和可靠性的开发者来说非常有价值。同时，它也为面试准备和系统设计提供了有用的参考

★ 72.3k⑂ 7kai-ml

☆

hyperdxio/hyperdx

hyperdx：快速解决生产问题的开源可观察性平台 — hyperdx是一个开源的可观察性平台，旨在帮助开发人员快速解决生产环境中的问题。它集成了会话回放、日志、指标、跟踪和错误分析等功能，依赖于ClickHouse和OpenTelemetry，能够提供全面的可观察性解决方案。通过hyperdx，开发人员可以更快地定位和解决问题，提高应用程序的性能和可靠性。

TypeScript★ 9.7k⑂ 422devops

☆

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★ 48.6k⑂ 7.6kdata

☆

CMU-Perceptual-Computing-Lab/openpose

openpose：实时多人关键点检测库 — openpose是一个开源的C++库，能够实时检测多人体的关键点，包括身体、面部、手和脚。它利用深度学习和计算机视觉技术，实现了高精度的检测。openpose的应用包括人机交互、运动分析和安全监控等领域

C++★ 34.3k⑂ 8kai-ml

☆

hellzerg/optimizer

optimizer：Windows优化工具 — optimizer可以帮助用户清理系统垃圾、优化注册表、管理启动项和hosts文件等，提高系统性能和保护用户隐私。它支持多个Windows版本，包括Windows 10、Windows 7、Windows 8等。optimizer的优化功能可以帮助用户获得更快、更安全的系统体验

C#★ 18.3k⑂ 1.2kother

☆

ray-project/ray

ray：人工智能计算引擎 — ray 由一个核心分布式运行时和一组加速机器学习工作负载的 AI 库组成。它支持多种机器学习框架，包括 PyTorch 和 TensorFlow。通过使用 ray，可以简化分布式计算和机器学习工作流程的开发和部署

Python★ 43.2k⑂ 7.8kai-ml

☆