Awesome GitHub RepositoriesNumerical Computing Libraries

NumPy is a foundational library for scientific computing in Python, providing a comprehensive framework for managing and manipulating large-scale numerical information. It centers on high-performance multidimensional array objects that serve as the primary data structure for complex mathematical operations and data analysis workflows. The library distinguishes itself through specialized mechanisms for handling multidimensional data, including advanced indexing, slicing, and broadcasting techniques that allow for efficient operations across arrays of varying shapes. It utilizes strided metadat

This project is an educational toolkit that provides implementations of fundamental machine learning algorithms built from scratch. By avoiding high-level library abstractions, it serves as a pedagogical reference for understanding the mathematical foundations and core mechanics of supervised learning, unsupervised learning, and reinforcement learning models. The repository distinguishes itself through a modular approach to model construction, allowing users to build custom neural networks by chaining independent functional blocks. It covers a wide range of techniques, including gradient-base

This project is a machine learning array framework and tensor computation library designed for high-performance numerical computing. It provides a comprehensive suite of tools for constructing and training neural networks, featuring an automatic differentiation engine that facilitates gradient-based optimization and complex mathematical modeling. The library distinguishes itself through a unified memory architecture that allows data to be shared across CPU and GPU devices without explicit copies, significantly reducing data movement overhead. Its execution model relies on a lazy evaluation en

CuPy ist eine CUDA-Array-Computing-Bibliothek, die eine NumPy-kompatible Schnittstelle für die Ausführung von Array-Operationen und numerischen Berechnungen auf NVIDIA GPUs implementiert. Sie dient als GPU-beschleunigte numerische Bibliothek und CUDA-basierte SciPy-Implementierung, die rechenintensive Aufgaben auf Grafikhardware auslagert, um die Verarbeitungsgeschwindigkeit für wissenschaftliche und technische Workloads zu erhöhen. Die Bibliothek ermöglicht den Austausch von Tensoren zwischen verschiedenen Frameworks, wodurch Datenpuffer zwischen verschiedenen Deep-Learning-Frameworks unter Verwendung standardisierter Speicherlayouts geteilt werden können, um Speicherkopien zu vermeiden. Sie unterstützt zudem die Integration benutzerdefinierter GPU-Kernel, wodurch Array-Daten mit Low-Level-APIs verbunden werden können, um eine präzise Kontrolle über die Hardwareausführung zu ermöglichen. Das Projekt deckt im Wesentlichen Workflows für Array-Verarbeitung und wissenschaftliches Rechnen mit hoher Leistung ab. Zu den Fähigkeiten gehören die Beschleunigung von Array-Berechnungen und die Bereitstellung von Werkzeugen für numerische Berechnungen im großen Maßstab.

Torch7 is a scientific computing environment and tensor computation library used for deep learning research and numerical analysis. It functions as a Lua-based framework for training neural networks and learning agents, providing a toolkit for implementing architectures and training through reinforcement learning algorithms. The project is distinguished by its tight integration with C, utilizing a binding layer to map high-level scripting to low-level C structures for direct memory access. It supports hardware-accelerated computation by offloading linear algebra and convolution operations to

This project is a deep learning implementation library and neural network theory repository. It translates mathematical derivations from textbooks and literature into functional Python code to demonstrate how deep learning algorithms work. The codebase focuses on low-level algorithm implementation by using numerical libraries instead of high-level deep learning frameworks. This approach maps theoretical mathematical proofs to executable functions to verify principles and expose the underlying arithmetic and data flow of neural networks. The project covers the implementation of deep learning

OpenBLAS is a high-performance implementation of the Basic Linear Algebra Subprograms standard designed for numerical computing and matrix operations. It serves as a hardware-accelerated numerical library and optimized math kernel library, providing a computational engine for large-scale matrix multiplication and vector operations. The library distinguishes itself through the use of hand-tuned assembly kernels and SIMD instruction mapping, such as AVX and SVE, to maximize floating-point performance on specific CPU architectures. It features a multi-threaded framework that manages parallel exe

Dieses Projekt ist ein Lehrplan für Machine Learning und eine Lernplattform, die über interaktive Jupyter Notebooks bereitgestellt wird. Es dient als umfassender Leitfaden zur Beherrschung des Python-Data-Science-Toolkits und bietet strukturierte Tutorials für numerisches Rechnen, Manipulation tabellarischer Daten und statistische Visualisierung. Der Lehrplan enthält spezifische Implementierungsleitfäden für Scikit-Learn und einen praktischen Kurs zu TensorFlow für den Aufbau, das Training und das Deployment neuronaler Netze und Computer-Vision-Modelle. Er deckt den End-to-End-Prozess des Aufbaus prädiktiver Modelle ab, von der anfänglichen Problemformulierung und Aufgabenkategorisierung bis hin zum Deployment der Modelle über interaktive Weboberflächen. Das Projekt deckt ein breites Funktionsspektrum ab, einschließlich numerischem Rechnen mit mehrdimensionalen Arrays, explorativer Datenanalyse und Datenvorverarbeitungsroutinen. Es bietet detaillierte Workflows für überwachtes und unüberwachtes Lernen, automatisierte Machine-Learning-Pipelines, Hyperparameter-Optimierung und Modellbewertung mittels Klassifizierungsmetriken und Kreuzvalidierung. Der Bildungsinhalt ist als eine Reihe von Notebooks strukturiert, die Python-Code mit narrativen Erklärungen verknüpfen, um Data-Science-Workflows zu dokumentieren.

This project is a collection of educational Jupyter Notebooks providing tutorials on neural network construction and tensor operations using the TensorFlow framework. It serves as a machine learning educational repository and implementation guide for deep learning students. The suite focuses on specific advanced architectures, including convolutional networks for image classification, residual networks with skip connections for training stability, and variational autoencoders for generative modeling and data synthesis. It also includes guides for building denoising and deep autoencoders to pe

ArrayFire ist ein hardware-agnostisches Compute-Framework und eine JIT-kompilierte Tensor-Engine für numerische Hochleistungsberechnungen. Es dient als GPU-Bibliothek für numerische Berechnungen und Toolkit für parallele Signalverarbeitung, das Hardware-Backends abstrahiert und es ermöglicht, denselben Code auf verschiedenen GPU-Architekturen und CPUs auszuführen. Das Projekt zeichnet sich durch eine JIT-Engine aus, die Ausdruckskompilierung verwendet, um Operationen zu verschmelzen und den Speicher-Overhead zu minimieren. Es nutzt einen verzögerten Ausführungsgraphen zur Optimierung von Berechnungsketten und bietet Interoperabilitäts-Primitive, um Daten und Ausführungskontexte mit externen Compute-Plattformen wie CUDA und OpenCL zu teilen. Die Bibliothek deckt ein breites Spektrum an Fähigkeiten ab, einschließlich paralleler linearer Algebra, digitaler Signalverarbeitung und beschleunigter Computer Vision. Sie bietet Werkzeuge für die Implementierung von maschinellem Lernen, Simulationen für Finanzmodelle und die Lösung partieller Differentialgleichungen für physikalische Systemsimulationen. Das Tensor-Managementsystem verwaltet die Zuweisung mehrdimensionaler Arrays, Slicing sowie Datentransfers zwischen Host und Gerät.

Flux.jl ist ein Deep-Learning-Framework und ein Toolkit für numerisches Rechnen, das in Julia geschrieben wurde. Es dient als Machine-Learning-Bibliothek für das Entwerfen und Trainieren neuronaler Netze und bietet ein System zur automatischen Differenzierung zur Optimierung von Modellparametern. Das Framework ermöglicht Deep-Learning-Entwicklung und Machine-Learning-Forschung, indem es Schichten als parametrisierte Funktionen darstellt. Es unterstützt wissenschaftliches Machine Learning und integriert neuronale Netze in Workflows zur Lösung physikalischer und mathematischer Probleme. Das Toolkit bietet native GPU-Beschleunigung für Tensor-Berechnungen und nutzt Reverse-Mode-automatische Differenzierung zur Berechnung von Gradienten. Es verwendet Just-in-Time-kompilierte Kernels, um optimierten Maschinencode für mathematische Operationen auf CPU- und GPU-Hardware zu generieren.

pysot ist ein Computer-Vision-Framework für das Tracking einzelner Objekte. Es bietet eine Plattform zur Implementierung und Evaluierung von Algorithmen, die spezifische Zielobjekte über Videoframes hinweg lokalisieren und verfolgen. Das Projekt enthält Implementierungen der SiamRPN-Architektur für die auf Region-Proposal-Netzwerken basierende Lokalisierung sowie das SiamMask-Modell, das Tracking mit der Generierung binärer Masken kombiniert, um eine pixelgenaue Segmentierung von Objekten zu ermöglichen. Das Framework enthält zudem ein Evaluierungs-Toolkit für visuelles Tracking, das zur Messung der Genauigkeit und Zuverlässigkeit von Tracking-Algorithmen anhand von Standard-Industrie-Datensätzen verwendet wird.

RecBole ist ein PyTorch-basiertes Empfehlungs-Framework, das für das Erstellen, Trainieren und Evaluieren einer Vielzahl von Empfehlungsalgorithmen entwickelt wurde. Es dient als standardisierte Benchmark-Umgebung, die den Vergleich verschiedener Modellarchitekturen unter Verwendung öffentlicher Datensätze und konsistenter Evaluierungsmetriken ermöglicht. Das Projekt bietet spezialisierte Toolkits für sequenzielle Empfehlungen und Knowledge-Graph-Integration, was die Vorhersage von Item-Sequenzen basierend auf der Nutzerhistorie oder die Einbindung von strukturiertem externem Wissen ermöglicht. Es enthält eine dedizierte Hyperparameter-Optimierungs-Engine, die Grid-Search und Bayesian-Optimierung nutzt, um Modellkonfigurationen abzustimmen. Das Framework deckt ein breites Spektrum an Funktionen ab, einschließlich Datenmanagement zur Standardisierung von Interaktionslogs, Trainings-Pipelines mit verteilter Gradienten-Synchronisierung und Mixed-Precision-Ausführung sowie umfassende Evaluierungstools für Kandidaten-Ranking und Diversitätsanalyse. Es unterstützt mehrere Empfehlungstypen, wie allgemeines Collaborative Filtering und Click-Through-Rate-Vorhersage. Die Bibliothek ist in Python implementiert und nutzt PyTorch als zugrunde liegendes Empfehlungs-Framework.

Dieses Projekt ist ein Machine-Learning-Lehrplan und eine Bildungsressource für Data Science. Es bietet einen strukturierten Satz an Lehrmaterialien und praktischen Projekten, die für das Erlernen von Machine-Learning-Konzepten und die Implementierung prädiktiver Modelle entwickelt wurden. Die Ressource fungiert als Trainingsleitfaden für überwachtes Lernen, mit Fokus auf die Entwicklung von Modellen für Bildklassifizierung und Ziffernerkennung. Sie verwendet einen projektbasierten Trainingsansatz, der theoretische Lektionen mit datensatzgesteuertem Modelltraining und -evaluierung paart. Der Lehrplan deckt die mathematischen Grundlagen des Machine Learning, die Datenverarbeitung und die Implementierung von Algorithmen für überwachtes Lernen ab. Er organisiert Inhalte in modulare Einheiten und sequentielle Pfade, die vom theoretischen Studium zur praktischen Anwendung von Modellen unter Verwendung realer Datensätze führen.

Machine-Learning-From-Scratch ist ein Bildungs-Repository, das Implementierungen grundlegender Machine-Learning-Modelle mit Standard-Python-Logik bereitstellt. Es dient als Ressource zum Verständnis der internen Mechanismen gängiger statistischer und prädiktiver Algorithmen, indem diese von Grund auf neu konstruiert werden, anstatt sich auf High-Level-Machine-Learning-Frameworks zu verlassen. Das Projekt zeichnet sich durch die Priorisierung von Transparenz im algorithmischen Design aus und nutzt mathematische Primitive sowie vektorisierte Array-Berechnungen, um die zugrunde liegende Analysis und statistische Logik offenzulegen. Durch die Strukturierung von Lerntechniken als modulare, unabhängige Komponenten ermöglicht das Repository die isolierte Untersuchung iterativer Trainingsschleifen und gradientenbasierter Optimierungsprozesse. Diese Sammlung deckt ein breites Spektrum an Data-Science-Techniken ab und konzentriert sich auf die manuelle Implementierung von Kernprozessen und Modelltrainingsverfahren. Das Repository wurde entwickelt, um die Kompetenzentwicklung im Bereich Data Science zu unterstützen, indem es demonstriert, wie prädiktive Modelle durch grundlegende Programmierung und analytische Praktiken funktionieren.