awesome-repositories.com
Blog
MCP
awesome-repositories.com

Découvrez les meilleurs dépôts open-source grâce à notre recherche par IA.

ExplorerRecherches sélectionnéesAlternatives open sourceLogiciels auto-hébergésBlogPlan du site
ProjetServeur MCPÀ proposNotre méthodologiePresse
Mentions légalesConfidentialitéConditions d'utilisation
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

1 dépôt

Awesome GitHub RepositoriesRuntime Shape Tracking

Capturing actual tensor dimensions during a forward pass using execution hooks.

Distinct from Tensor Shape Inferences: Distinct from Tensor Shape Inferences: focuses on recording runtime shapes via hooks rather than compile-time or static inference.

Explore 1 awesome GitHub repository matching artificial intelligence & ml · Runtime Shape Tracking. Refine with filters or upvote what's useful.

Awesome Runtime Shape Tracking GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • sksq96/pytorch-summaryAvatar de sksq96

    sksq96/pytorch-summary

    4,054Voir sur GitHub↗

    pytorch-summary est une collection d'utilitaires pour les réseaux de neurones PyTorch conçus pour générer des résumés de modèles, calculer les besoins en mémoire et visualiser les formes des tenseurs couche par couche. Il fonctionne comme un outil de reporting qui fournit des ventilations détaillées des couches du réseau et des formes de sortie pour aider au débogage et à l'inspection des modèles. Le projet fournit des capacités spécialisées pour estimer l'utilisation totale de la mémoire des passes avant et arrière en fonction des dimensions d'entrée et du nombre de paramètres. Il génère des visualisations lisibles par l'homme des structures de modèles pour vérifier les conceptions architecturales et identifier les inadéquations de dimensions entre les couches. L'outil implémente une analyse structurelle par le biais d'un parcours récursif des modules, d'un suivi des tenseurs basé sur des hooks et d'une inférence de forme pilotée par l'entrée. Ces capacités permettent l'agrégation du nombre de paramètres et le mapping du flux de données entre les opérations successives.

    Intercepts PyTorch forward passes using hooks to record the exact shape of tensors at every layer.

    Pythondeep-learningkeraspytorch
    Voir sur GitHub↗4,054
  1. Home
  2. Artificial Intelligence & ML
  3. Dynamic Tensor Shapes
  4. Tensor Shape Inferences
  5. Runtime Shape Tracking