Awesome GitHub RepositoriesInput Padding Utilities

This project is a comprehensive Chinese translation of a technical deep learning textbook, providing an educational resource on the theory and implementation of neural networks. It functions as a collaborative technical translation project designed to make complex academic AI literature accessible to non-English speakers. The project utilizes a community-driven translation model that integrates external suggestions and pull requests to refine linguistic accuracy and reduce bias. It employs standardized terminology mapping to ensure a uniform vocabulary throughout the translated content. To i

This project is an educational platform and research toolkit designed to teach deep learning through a combination of mathematical theory, visual diagrams, and executable code. It provides a comprehensive environment for building, training, and evaluating neural networks, grounding complex concepts in interactive computational notebooks that allow for hands-on experimentation. The framework distinguishes itself by interleaving theoretical foundations—including linear algebra, calculus, and probability—with practical implementations across multiple industry-standard libraries. It supports flex

This project provides a collection of visual guides, technical documentation, and animation generation tools designed to explain the mathematical mechanics of neural network layer operations. It serves as an educational resource for understanding the architecture and data mapping processes involved in deep learning. The toolset distinguishes itself by programmatically generating visual representations of standard, transposed, and dilated convolution layers. By utilizing a declarative configuration model, it maps mathematical parameters—such as kernel sizes, strides, and padding—to coordinate-

This project is a high-performance library for converting raw text into tokens and IDs for machine learning models. It functions as a fast text encoder and a text preprocessing pipeline designed to transform strings into numerical representations with high throughput for research and production. The library includes a subword tokenizer trainer used to analyze text datasets and create custom vocabularies using algorithms such as byte-pair encoding and wordpiece. It provides capabilities for subword vocabulary training and text alignment, allowing character offsets to be tracked during normaliz

OpenRLHF is a training framework and alignment library designed for reinforcement learning from human feedback across distributed GPU clusters. It provides tools for aligning large language models and multimodal vision-language models using algorithms such as PPO, GRPO, and DPO. The framework distinguishes itself through a distributed inference engine that overlaps sample rollout with training to increase throughput. It supports scaling to models exceeding 70 billion parameters via parameter sharding and handles long-context sequences through ring-attention sequence parallelism. The project

This project is a modular PyTorch framework for training and evaluating object detection and instance segmentation models. It serves as a computer vision research tool and a deep learning inference engine designed to identify object locations, classes, and pixel-level masks within images. The framework implements a two-stage inference pipeline that utilizes region proposal networks and a symmetric mask-head architecture. It provides specialized capabilities for instance segmentation, object bounding box detection, and human pose estimation via anatomical keypoint detection. The system includ

This project is a comprehensive collection of educational examples and reference implementations for building vision and language models using PyTorch. It serves as a deep learning tutorial covering the end-to-end process of developing neural networks, from initial architecture definition to final production deployment. The repository provides detailed guides on implementing a wide range of domain-specific models, including convolutional neural networks for object detection and segmentation, as well as transformer and recurrent architectures for natural language processing. It emphasizes gene

This project is a collection of educational resources and instructional guides for learning deep learning and neural network implementation using TensorFlow. It provides a structured set of tutorials and notebooks written in Chinese, covering supervised and unsupervised learning tasks. The material focuses on practical implementations of diverse neural network architectures, including convolutional, recurrent, and autoencoder networks. It includes specific training content for computer vision, natural language processing, and generative models. The coverage extends to specialized network arc

ERNIE is a development toolkit for training, fine-tuning, and deploying large language models built on the PaddlePaddle deep learning platform. It provides a comprehensive suite of core components, including an inference server for vision and language models, a training and fine-tuning toolkit, and a framework for building retrieval-augmented generation systems using private knowledge bases. The project features multimodal AI models capable of reasoning across text, images, and video to perform complex visual understanding and information extraction. It distinguishes itself through specialize

mmcv is a foundation library for computer vision based on PyTorch. It provides a comprehensive system for constructing convolutional neural networks, a toolkit for image and video preprocessing, and a collection of high-performance deep learning vision operators. The project is distinguished by its hardware-accelerated kernels for complex operations such as deformable convolutions and region pooling. It features a configuration-driven framework that allows for the dynamic instantiation of network layers and the registration of custom modules without modifying code. The library covers a broad

tsai es una librería de deep learning para clasificación, regresión y pronóstico de series temporales. Construida sobre PyTorch y fastai, proporciona un framework para asignar etiquetas a datos secuenciales, predecir valores futuros en secuencias univariantes o multivariantes y entrenar representaciones en datos sin etiquetar mediante aprendizaje autosupervisado. La librería destaca por sus capacidades especializadas de ingeniería temporal y escalado. Incluye herramientas para codificación temporal cíclica que capturan patrones estacionales y segmentación de ventanas en línea para procesar datasets que superan la memoria disponible. También admite pipelines de entrada multimodal que combinan características categóricas estáticas con secuencias continuas dinámicas. El toolkit cubre una amplia gama de necesidades de preprocesamiento y evaluación, incluyendo segmentación por ventana deslizante, imputación de datos faltantes y conversión de dataframes tabulares en tensores estructurados. El rendimiento del modelo se evalúa mediante validación walk-forward y análisis de importancia de características para garantizar la consistencia temporal.

Torchtune is a PyTorch-native library for fine-tuning, aligning, and quantizing large language models. It provides a config-driven system for instantiating components, orchestrating distributed training, and managing parameter-efficient fine-tuning with quantization support, all through YAML-based configurations and command-line overrides. The library distinguishes itself through its comprehensive post-training workflow orchestration, combining supervised fine-tuning, preference optimization (DPO, PPO, GRPO), knowledge distillation, and quantization-aware training in a single configurable pip

Torchtune is a PyTorch-native library for fine-tuning, aligning, and quantizing large language models. It provides a configurable training pipeline orchestrated through YAML recipes, with CLI overrides and component swapping, distributed training via FSDP2, memory optimizations, and parameter-efficient fine-tuning methods like LoRA, DoRA, and QLoRA. The library distinguishes itself through its YAML-driven configuration system that defines all training parameters and instantiates components from config files, with full CLI override capability for any field or component at launch time. It suppo

Este proyecto es un generador de poesía mediante deep learning diseñado para crear pareados tradicionales chinos. Utiliza una arquitectura de red neuronal secuencia a secuencia para mapear secuencias de texto de entrada a secuencias de salida coincidentes, funcionando como un modelo de generación de texto y un servicio web de inferencia. El sistema cuenta con un mecanismo de ranking de texto neuronal que evalúa las salidas candidatas basándose en la consistencia de la longitud y los patrones de caracteres para asegurar la alineación estructural. También incluye un proceso de filtrado de contenido que escanea el texto generado contra listas de palabras prohibidas para eliminar material sensible o inapropiado. La superficie de capacidades más amplia incluye un pipeline de tokenización de texto para la preparación de datos y una interfaz RESTful para servir predicciones del modelo mediante JSON. El proyecto también cubre el ciclo de vida del machine learning, abarcando la optimización de pesos del modelo, entrenamiento y evaluación del rendimiento contra datasets de validación.

This project provides a comprehensive technical guide and framework for engineering large-scale machine learning systems. It covers the full lifecycle of model development, focusing on the infrastructure and computational principles required to build, train, and serve generative AI models across distributed GPU clusters. The repository distinguishes itself by offering deep-dive tutorials and implementation strategies for complex system challenges. It emphasizes high-performance architectural primitives, such as collective communication orchestration, distributed tensor sharding, and static gr

EasyR1 es un sistema de entrenamiento distribuido y framework de aprendizaje por refuerzo para modelos de lenguaje y visión-lenguaje de gran escala. Funciona como un entrenador multimodal y una implementación de un pipeline de Proximal Policy Optimization diseñado para refinar las capacidades de razonamiento y percepción de modelos que procesan tanto texto como imágenes. El sistema se especializa en distribuir cargas de trabajo de aprendizaje por refuerzo a través de múltiples nodos de cómputo para gestionar altos requisitos de memoria. Optimiza el uso del hardware mediante entrenamiento sin padding y fine-tuning para ajustar modelos grandes en las unidades de procesamiento gráfico (GPU) disponibles. El framework cubre el aprendizaje por refuerzo y la orquestación de modelos de recompensa, incluyendo flujos de trabajo de aprendizaje por refuerzo a partir de retroalimentación humana (RLHF). Su superficie técnica incluye paralelismo de datos distribuido, entrenamiento de precisión híbrida y pipelines de entrada multimodal para datos intercalados de texto e imagen. El proyecto incluye utilidades para la recuperación de estado basada en checkpoints y se integra con herramientas de registro externas para rastrear el progreso del entrenamiento y las métricas de rendimiento.

This is an interactive notebook-based course that teaches machine learning from Python fundamentals through deep learning and natural language processing. It uses real datasets and multiple frameworks within a structured, hands-on curriculum that combines concise explanations with executable code cells, built-in datasets, and embedded exercise checkpoints. Learning progresses through data preparation and exploration, classical machine learning workflows, computer vision with convolutional neural networks, and natural language processing with deep learning, all delivered as a cohesive progressi

Este repositorio es un programa educativo integral y un framework de deep learning diseñado para enseñar aprendizaje profundo práctico usando PyTorch a través de notebooks y ejemplos de código. Sirve como una librería de alto nivel para construir, entrenar y desplegar redes neuronales, actuando como un orquestador de entrenamiento de modelos que coordina modelos de PyTorch, optimizadores y funciones de pérdida. El proyecto proporciona kits de herramientas especializados para visión artificial, procesamiento de lenguaje natural y preprocesamiento de datos tabulares. Se distingue por controles de entrenamiento avanzados como tasas de aprendizaje discriminativas, un sistema de callbacks bidireccional para personalizar la lógica de entrenamiento y una abstracción de learner de alto nivel que automatiza la colocación en dispositivos y los bucles de entrenamiento. El framework cubre una amplia superficie de capacidades, incluyendo la construcción automatizada de pipelines de datos, análisis de arquitectura de modelos y evaluación de rendimiento en tareas de clasificación, regresión y segmentación. También incluye utilidades para entrenamiento distribuido en múltiples GPUs, entrenamiento de precisión mixta para optimización de memoria y soporte especializado para datos de imágenes médicas. El proyecto se entrega como una serie de Jupyter Notebooks.

Imageflow es una librería de manipulación de imágenes y motor de composición de alto rendimiento, disponible como librería compatible con C, procesador de imágenes de línea de comandos y servidor de procesamiento de imágenes dinámico. Proporciona los medios para decodificar, codificar y aplicar transformaciones visuales complejas a imágenes a través de interfaces programáticas, archivos de trabajo JSON o cadenas de consulta URL al vuelo. El sistema se distingue por un pipeline de procesamiento basado en grafos que permite la codificación multiformato en una sola pasada, generando múltiples tamaños y formatos de imagen a partir de una sola decodificación para reducir la sobrecarga. Además, cuenta con un motor de decodificación con restricciones de recursos que impone límites estrictos de memoria y dimensiones para evitar el agotamiento de recursos y ataques de denegación de servicio. El proyecto cubre una amplia gama de capacidades de manipulación, incluyendo redimensionamiento de dimensiones, recorte, rotación y filtrado de color. Soporta tareas de composición avanzadas como marcas de agua, generación de lienzos en blanco y renderizado de formas geométricas, junto con corrección de color automatizada y ajustes de balance de blancos mediante análisis de histograma. La lógica central se expone a través de bindings de interfaz de funciones externas (FFI) para la integración entre lenguajes.

MoreLINQ is a functional programming toolkit and extension library for .NET that augments LINQ to Objects with advanced operators for sequence manipulation and analysis. It provides a set of tools for declarative data transformation, leveraging lazy evaluation and composition to handle complex object sequences. The library is distinguished by its specialized capabilities for combinatorial generation, including the production of permutations, subsets, and Cartesian products. It also provides advanced sequence joining options, such as full, left, and right outer joins, and supports complex data