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 RepositoriesLow Bitwidth Training

Training neural networks using reduced precision for weights and gradients to lower memory consumption.

Distinct from Training Memory Optimizers: Focuses on the bit-precision of the training process rather than general memory optimization techniques like gradient checkpointing.

Explore 1 awesome GitHub repository matching data & databases · Low Bitwidth Training. Refine with filters or upvote what's useful.

Awesome Low Bitwidth Training GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • tensorpack/tensorpackAvatar de tensorpack

    tensorpack/tensorpack

    6,287Voir sur GitHub↗

    Tensorpack est un framework de réseau de neurones TensorFlow de haut niveau et une bibliothèque de recherche conçue pour construire et entraîner des modèles de deep learning. Il fournit une collection d'architectures de réseaux de neurones reproductibles pour la vision par ordinateur, les tâches génératives, l'apprentissage par renforcement et le traitement du langage naturel. Le projet se distingue par un pipeline de données de deep learning spécialisé qui utilise du Python pur pour le chargement et le streaming de données en parallèle. Il inclut un orchestrateur d'entraînement multi-GPU pour distribuer les charges de travail via des stratégies de parallélisme de données et un toolkit d'interprétabilité dédié pour visualiser la saillance des modèles et les cartes d'activation. Le framework couvre un large éventail de capacités, incluant des pipelines de vision par ordinateur pour la détection d'objets et la segmentation sémantique, la modélisation de séquences pour la parole et le texte, et le développement d'agents d'apprentissage par renforcement. Il fournit également des outils d'optimisation de modèle pour la quantification des poids et l'entraînement en faible précision, ainsi que des utilitaires pour reproduire des articles de recherche académique et convertir des poids de modèles Caffe legacy.

    Reduces memory usage by training convolutional neural networks with limited bitwidth for weights and gradients.

    Python
    Voir sur GitHub↗6,287
  1. Home
  2. Data & Databases
  3. Memory Optimization Strategies
  4. Training Memory Optimizers
  5. Low Bitwidth Training