Awesome GitHub RepositoriesGraph Evaluation Scheduling

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

MXNet is a deep learning framework and distributed machine learning engine designed for training and deploying neural networks. It functions as a hardware-agnostic backend that allows for the development of deep learning models through a hybrid of symbolic and imperative programming. The system distinguishes itself through automatic distributed parallelism, which scales training workloads across multiple GPUs and machines. It features an extensible hardware backend interface that enables the integration of custom accelerators and proprietary libraries without modifying the core source code.

This repository is a collection of reference implementations and programming examples for the CUDA Toolkit. It serves as a GPGPU implementation guide and a parallel computing reference, providing code for using graphics hardware to perform general-purpose calculations and high-performance parallel processing. The project provides specific samples for GPU kernel development and resource management. These include demonstrations of multi-GPU communication, peer-to-peer memory access, and system hardware inspection to coordinate distributed GPU resources. The codebase covers a wide range of capa

chaiNNer is a GPU-accelerated AI image upscaling application that uses a visual node-based interface for constructing image processing pipelines. At its core, it provides a node-based visual programming environment where users connect processing nodes in a directed acyclic graph, with a graph execution scheduler that traverses the pipeline in topological order. The application includes an iterator-based batch processing system that automatically applies the same pipeline to multiple files, and a model format conversion pipeline that transforms neural network models between PyTorch, ONNX, and N

Azkaban ist ein verteilter Workflow-Manager und ein DAG-basierter Job-Orchestrator, der als Enterprise-Batch-Prozessor konzipiert ist. Er dient als Java-basierte Workflow-Engine, die komplexe Job-Sequenzen über einen Cluster von Executor-Servern plant und ausführt, mit spezifischer Funktionalität zur Verwaltung von Big-Data-Workloads auf Hadoop-Clustern. Das System zeichnet sich durch ein verteiltes Executor-Modell aus, das den Status über eine gemeinsame Datenbank koordiniert, um eine hohe Verfügbarkeit sicherzustellen. Es verwendet eine plugin-basierte Architektur, die benutzerdefinierte Job-Typen und Systemfunktionserweiterungen ermöglicht, einschließlich der Fähigkeit, Plugins ohne Neustart der Executor-Server neu zu laden. Die Plattform deckt ein breites Spektrum an Funktionen ab, einschließlich Daten-Pipeline-Orchestrierung mit bedingter Logik, periodischer und ereignisgesteuerter Planung sowie Enterprise-Monitoring mit SLA-Tracking. Sie bietet granulare Zugriffskontrolle und Benutzer-Impersonation für sichere Ausführung, neben Traffic-Management-Tools für Executor-Load-Balancing und Ressourcenquoten. Benutzer können Workflows über eine webbasierte Schnittstelle oder programmatisch über eine Workflow-Execution-API verwalten.

Animation Nodes ist ein visuelles Skripting-System für Blender, das die Erstellung prozeduraler Animationen und Motion Graphics ermöglicht. Es bietet eine knotenbasierte Schnittstelle, die es Benutzern erlaubt, komplexe Animationssequenzen und dynamische Szenentransformationen durch das Verbinden funktionaler Knoten zu konstruieren, anstatt sich auf traditionelles Keyframing zu verlassen. Das System integriert sich direkt in die Host-Software, um Szenenobjekte und Eigenschaften über einen Datenfluss-Graphen zu manipulieren. Es verwaltet die Ausführung dieser Operationen durch das Verfolgen von Abhängigkeiten und die Verteilung unabhängiger Zweige auf mehrere Prozessorkerne, um die Leistung während der Wiedergabe aufrechtzuerhalten. Ein typsicheres Socket-System erzwingt die Datenkompatibilität zwischen Knoten, während die Schnittstelle den Graphenstatus in Echtzeit rendert, um die zugrunde liegenden Daten widerzuspiegeln. Dieses Toolset unterstützt die Entwicklung benutzerdefinierter Automatisierungslogik und datengesteuerter Animationssequenzen innerhalb einer 3D-Umgebung. Es wurde entwickelt, um die Generierung repetitiver oder komplexer visueller Effekte zu erleichtern, indem Objekttransformationen mit mathematischen Funktionen und externen Inputs verknüpft werden.