Awesome GitHub RepositoriesSimulation Gradient Computations

jetson-inference is a set of libraries and tools for executing optimized deep learning models on embedded GPU hardware. Its primary purpose is to enable real-time computer vision and AI inference at the edge with low latency and high throughput. The project distinguishes itself through high-performance streaming analytics and the ability to execute concurrent AI pipelines on auto-grade silicon. It provides specialized support for multi-sensor stream processing, utilizing zero-copy data transport to load camera frames directly into GPU memory. The codebase covers a broad surface of capabiliti

torchdiffeq est une bibliothèque de résolution d'équations différentielles ordinaires (ODE) pour PyTorch, conçue pour résoudre des problèmes de valeur initiale et construire des frameworks de réseaux de neurones basés sur les ODE. Elle fournit un intégrateur d'ODE différentiable permettant aux modèles de deep learning de simuler une profondeur continue en intégrant des fonctions dynamiques au fil du temps. La bibliothèque propose un calculateur de gradient par méthode adjointe pour une rétropropagation efficace en mémoire. En résolvant un système adjoint augmenté à rebours dans le temps, elle calcule les gradients des paramètres sans stocker chaque état intermédiaire du solveur. Le projet couvre l'intégration numérique avec des solveurs à pas fixe ou adaptatif, incluant le contrôle d'erreur et l'interpolation d'état polynomiale. Il prend également en charge la gestion d'événements différentiables pour arrêter les solveurs lorsque des fonctions scalaires spécifiques sont déclenchées, tout en propageant les gradients à travers le temps de l'événement. Le framework est utilisé pour des applications telles que les flux normalisants continus et la transformation de distributions de probabilité via des équations différentielles ordinaires apprises en temps continu.