Awesome GitHub RepositoriesDeterministic Training Seeds

Corenet is a deep learning training framework and computer vision model library designed for developing neural networks across vision, text, and audio modalities. It functions as a distributed training orchestrator for scaling workloads across multiple compute nodes and provides a multimodal data pipeline for processing image, text, and video data. The project includes a model conversion toolkit for transforming weights and architectures between different machine learning frameworks. It also provides tools for optimizing model performance on Apple Silicon and reducing response latency in gene

OpenEvolve es un framework de algoritmos evolutivos que utiliza modelos de lenguaje de gran tamaño para descubrir y optimizar algoritmos de programación de forma autónoma. Funciona como un motor de descubrimiento de algoritmos y herramienta de búsqueda de código, evolucionando poblaciones de programas candidatos para encontrar implementaciones eficientes y mejoras de velocidad específicas para el hardware. El sistema trata tanto el código como las instrucciones del sistema como entidades evolutivas, utilizando un optimizador de prompts automatizado para refinar iterativamente el rendimiento del modelo. Mantiene la estabilidad de la búsqueda mediante la gestión de poblaciones basada en nichos para preservar la diversidad y emplea un mecanismo de retroalimentación de bucle cerrado que inyecta errores de tiempo de ejecución y registros de vuelta al proceso de generación para la corrección autónoma de errores. El framework también incluye un orquestador de agentes que agrega respuestas de múltiples APIs de modelos utilizando lógica ponderada y estrategias de respaldo. Para apoyar la computación científica, implementa la ejecución determinista gestionando semillas aleatorias consistentes en todos los componentes estocásticos. El proyecto proporciona un panel interactivo para visualizar el progreso de la evolución y métricas de rendimiento en tiempo real.

MMDetection3D is an open-source toolbox for 3D perception, providing a unified framework for detecting and segmenting objects in three-dimensional environments. It supports a range of core tasks including monocular 3D object detection from single camera images, LiDAR-based 3D object detection from raw point clouds, and multi-modal fusion that combines camera images with LiDAR data. The toolbox also covers point cloud semantic segmentation, assigning class labels to every point in a scan for scene understanding. The project distinguishes itself through a config-driven pipeline that orchestrate

Este proyecto es un boilerplate y framework de entrenamiento para PyTorch diseñado para estandarizar el desarrollo de experimentos de aprendizaje profundo (deep learning). Proporciona un diseño de directorio estructurado y un conjunto de clases base para iniciar nuevos proyectos, asegurando un flujo de trabajo consistente desde la construcción del pipeline de datos hasta la ejecución del modelo. El framework se distingue por un gestor de configuración centralizado para hiperparámetros que admite anulaciones por línea de comandos y una capa de aceleración de hardware para distribuir tareas computacionales entre múltiples unidades de procesamiento gráfico (GPU). También implementa una capa de orquestación de clases base para automatizar la mezcla de datasets, la generación de lotes (batches) y la división para validación. El sistema cubre una amplia gama de capacidades de entrenamiento, incluyendo registro automatizado de métricas, serialización de estado basada en checkpoints para reanudar el entrenamiento y determinismo de resultados mediante sincronización de semillas (seeds). Además, incluye herramientas para monitorear el progreso del entrenamiento e implementar la detención temprana (early stopping) basada en benchmarks de rendimiento.

Osim-rl is a research environment designed for the development and evaluation of reinforcement learning agents within physics-based musculoskeletal simulations. It provides a standardized interface that maps physiological state observations to muscle excitation control signals, enabling the study of human movement and biomechanics through iterative policy optimization. The framework distinguishes itself by integrating high-fidelity musculoskeletal modeling with tools for scientific benchmarking and reproducible experimentation. It allows researchers to define custom reward functions and adjus