Awesome GitHub RepositoriesData and Graph Processing

DGL is a Python library for building and training graph neural networks. It functions as a graph message passing framework and a geometric deep learning tool, enabling the development of models that analyze graph-structured data. The library is designed for large-scale graph processing, utilizing distributed training and neighbor sampling to handle datasets with billions of edges. It provides specialized support for heterogeneous graph modeling, allowing for the representation of complex real-world entities with multiple node and edge types. Its capabilities cover a wide range of graph tasks

torchdiffeq es una librería de PyTorch para resolver EDO (ecuaciones diferenciales ordinarias), diseñada para resolver problemas de valor inicial y construir frameworks de redes neuronales ODE. Proporciona un integrador de EDO diferenciable que permite a los modelos de deep learning simular profundidad continua integrando funciones dinámicas a lo largo del tiempo. La librería cuenta con un calculador de gradientes mediante el método adjunto para una retropropagación eficiente en memoria. Al resolver un sistema adjunto aumentado hacia atrás en el tiempo, calcula los gradientes de los parámetros sin necesidad de almacenar cada estado intermedio del solver. El proyecto cubre la integración numérica con solvers de paso fijo y adaptativo, incorporando control de errores e interpolación polinómica de estados. También admite la gestión de eventos diferenciables para terminar los solvers cuando funciones escalares específicas se activan, propagando gradientes a través del tiempo del evento. El framework se utiliza en aplicaciones como flujos normalizadores continuos y la transformación de distribuciones de probabilidad mediante EDO aprendidas en tiempo continuo.

Kaolin es una librería de aprendizaje profundo 3D para PyTorch que proporciona un conjunto integral de herramientas para el procesamiento de geometría 3D, simulación física, visualización de datos y renderizado basado en gradientes para visión artificial. La librería incluye un renderizador 3D diferenciable y un kit de herramientas de procesamiento de geometría para convertir y transformar representaciones 3D como mallas (meshes) y nubes de puntos. También cuenta con un motor de simulación física 3D para calcular interacciones físicas y colisiones entre objetos y escenas tridimensionales. El kit de herramientas proporciona utilidades para la visualización de datos 3D, incluyendo la creación de vistas interactivas y animaciones de rotación. Las capacidades adicionales cubren la gestión de datasets 3D, preprocesamiento de datos y renderizado de representaciones 3D.

GPyTorch is a GPU-accelerated probabilistic framework and PyTorch library for implementing scalable Gaussian process models. It provides a system for Gaussian process modeling and uncertainty estimation, designed to perform efficient matrix operations on graphics hardware. The framework features a modular kernel system for constructing custom covariance functions and modeling complex data dependencies. It specifically integrates Gaussian processes with deep neural networks to create hybrid models for regression and classification. The system employs numerical linear algebra techniques, inclu

Enabling PyTorch on XLA Devices (e.g. Google TPU)

CVXPYlayers is a Python library for constructing differentiable convex optimization layers in PyTorch, JAX, and MLX using CVXPY. A convex optimization layer solves a parametrized convex optimization problem in the forward pass to produce a solution. It computes the derivative of the solution…

A CV toolkit for my papers.

Quantized Neural Network PACKage - mobile-optimized implementation of quantized neural network operators

Model analyzer in PyTorch

Differentiable rendering without approximation.

Riemannian Adaptive Optimization Methods with pytorch optim

A multi-model machine learning feature embedding database

TorchANI 2.0 is an open-source library that supports training, development, and research of ANI-style neural network interatomic potentials. It was originally developed and is currently maintained by the Roitberg group.

Training RNNs as Fast as CNNs (https://arxiv.org/abs/1709.02755)