Awesome GitHub RepositoriesHyperparameter Optimizers

Skorch هو مدير سير عمل للتعلم العميق وواجهة نموذج قائمة على الموتر. يوفر واجهة برمجة تطبيقات متسقة للتدريب والتنبؤ باستخدام الشبكات العصبية ضمن سير عمل التعلم الآلي القياسي، ويعمل كمحسن للمعلمات الفائقة لإيجاد تكوينات الشبكة المثلى. تتخصص المكتبة في تغليف الشبكات العصبية PyTorch في واجهة متوافقة مع scikit-learn. يسمح هذا باستخدام النماذج القائمة على الموتر ضمن خطوط أنابيب التعلم الآلي التقليدية وأدوات البحث الشبكي، بما في ذلك تعيين شبكات المعلمات لتكوينات النموذج. يغطي إطار العمل إدارة دورة حياة التدريب من خلال التوقف المبكر، ونقاط الحفظ، وجدولة معدل التعلم. كما يتضمن قدرات للتحكم في معلمات النموذج عبر تجميد الطبقات، والترجمة التلقائية بين الموترات ومصفوفات NumPy، ومراقبة تقدم التدريب في الوقت الفعلي.

Skorch هي مكتبة تغلف الشبكات العصبية PyTorch في واجهة متوافقة مع scikit-learn، مما يسمح باستخدام نماذج التعلم العميق ضمن خطوط أنابيب التعلم الآلي القياسية وأدوات تحسين المعلمات الفائقة. تعمل كمحول بيانات، ومدير تدريب، وأداة تحسين تسد الفجوة بين وحدات التعلم العميق وسير عمل التعلم الآلي التقليدي. يتميز المشروع بتوفير مجموعة أدوات لأتمتة دورة حياة تدريب PyTorch، بما في ذلك التحقق من نقاط الحفظ المتكاملة، والتوقف المبكر، وجدولة معدل التعلم. كما يتيح التعلم بالنقل من خلال أدوات لتجميد طبقات نموذج معينة وضبط الأوزان المدربة مسبقاً لمهام متخصصة. يمتد سطح القدرة إلى تحويل البيانات، بما في ذلك تحويل البيانات الجدولية والمصفوفات الرقمية إلى تنسيقات موتر وتسجيل مقسمات النصوص. كما يوفر أدوات لاختيار تسريع الأجهزة، وتجميع الوحدات في الوقت المناسب، ونمذجة البيانات الاحتمالية لتحديد عدم اليقين. يتضمن النظام أدوات لتعيين المعلمات الفائقة لأوامر سطر الأوامر لضمان تجارب قابلة للتكرار.

PufferLib is a reinforcement learning framework built around high-speed environment simulation and automatic hyperparameter optimization. It is designed to accelerate the entire RL training pipeline by running simulations at near-native speed and enabling the training of tiny models to super-human performance within seconds. The framework achieves its speed through a single-process training loop that eliminates inter-process communication overhead, vectorized batched simulation for parallel environment execution, and compiled C extensions that offload performance-critical computations. It als

Cube Studio هو منصة MLOps سحابية ومنظم ذكاء اصطناعي يعتمد على Kubernetes ومصمم لدورة حياة تعلم الآلة بالكامل. يوفر إطار عمل للتدريب الموزع لضبط النماذج على نطاق واسع، ومدير موارد GPU لافتراضية الأجهزة، ومنظم لخطوط أنابيب تعلم الآلة يستخدم رسوم بيانية موجهة غير دورية (DAGs) لإدارة سير العمل من البداية إلى النهاية. تتميز المنصة بخادم استنتاج LLM متخصص يدعم التوليد المعزز بالاسترجاع (RAG) وبناء قواعد المعرفة الخاصة. كما يتميز بنظام مخصص للضبط الخاضع للإشراف والتعلم التعزيزي لنماذج اللغات الكبيرة، مدعوماً بأدوات مرئية للبحث عن المعاملات الفائقة (Hyperparameters). يغطي النظام نطاقاً واسعاً من القدرات التشغيلية، بما في ذلك تصنيف البيانات متعددة الوسائط، وخطوط أنابيب البيانات الموزعة، وجدولة أحمال العمل عبر مجموعات متعددة. كما يوفر بيئات تطوير تفاعلية تعتمد على المتصفح، وإدارة صور الحاويات، وسجل نماذج لإصدار ونشر واجهات برمجة تطبيقات استنتاج قابلة للتوسع مع تقسيم حركة المرور. تتضمن البنية التحتية مراقبة صحة المجموعات (Cluster Health) والتحكم في الوصول القائم على الأدوار مع تكامل تسجيل الدخول الموحد (SSO).

PyTorch Forecasting is a deep learning framework designed for building and training neural network architectures specifically for time series forecasting. It serves as a comprehensive toolkit for implementing autoregressive models, multi-horizon forecasting, and probabilistic prediction intervals using PyTorch tensors. The library distinguishes itself through a probabilistic forecasting toolkit that generates prediction intervals and quantile forecasts using both parametric and non-parametric distributions. It further provides a neural network model optimizer for automated hyperparameter tuni

FLAML هو إطار عمل للتعلم الآلي المؤتمت، وأداة لتحسين المعلمات الفائقة، ومنسق لوكلاء النماذج اللغوية الكبيرة. يوفر نظاماً لاختيار النماذج وضبطها عبر مختلف المتعلمين ومجموعات البيانات، مع تقديم مجموعة أدوات لتحسين معلمات الاستدلال وإعدادات الضبط الدقيق للنماذج اللغوية الكبيرة. يتميز المشروع بنظام ضبط للتعلم الفوقي (meta-learning) يحلل بيانات المهام التاريخية لتوليد تكوينات افتراضية تعتمد على البيانات، مما يسرع تقارب النموذج. كما يتيح تصميم أنظمة تعاونية متعددة الوكلاء من خلال سير عمل محادثي وتنسيق قائم على الأحداث. تغطي القدرات بحثاً فعالاً في الموارد عن المعلمات الفائقة لنماذج التعلم الآلي ودوال Python التعسفية، مع دعم مساحات البحث الهرمية وتحسين الهدف المعجمي. يتضمن إطار العمل أيضاً أدوات لاختيار النموذج المؤتمت، وبناء المجموعات المكدسة (stacked ensemble)، والتكوين بدون أمثلة (zero-shot)، وفرض قيود العدالة. يدعم النظام توسيع نطاق الضبط الموزع وتنفيذ التجارب المتزامنة عبر عناقيد الحوسبة لتقليل مدة البحث الإجمالية.

fast-reid is a PyTorch-based computer vision framework designed for building, training, and deploying deep learning models for identity-based vision tasks. It provides a specialized toolbox for person re-identification and vehicle re-identification, enabling the matching of individuals and vehicles across non-overlapping camera views. The project includes tools for person attribute recognition to identify specific physical characteristics and traits. It features a modular model zoo that allows for the swapping and benchmarking of different re-identification architectures. The framework cover

PocketFlow is an integrated toolkit for deep learning model compression, distributed training, and mobile format optimization. It provides a system for reducing the size and complexity of neural networks to improve inference efficiency, featuring a dedicated engine for knowledge distillation and a mobile model optimizer. The framework differentiates itself through an automated hyperparameter tuning system that uses reinforcement learning and statistical models to determine optimal compression ratios and layer-wise bit allocation. It also includes a distributed training system that utilizes mu

This project is a collection of pretrained reinforcement learning agents and training scripts built on Stable Baselines3 and Gymnasium. It provides a framework for training agents to solve specific tasks, managing experiment reproducibility, and deploying pretrained models. The system includes a specialized benchmarking suite and optimization tools for tuning agent settings. It utilizes automated search spaces and distributed trials to maximize performance, while employing bootstrap sampling to generate statistically robust performance metrics and confidence intervals. Broad capabilities cov