1 dépôt
Awesome GitHub RepositoriesML Data Storage Architectures
Specialized storage patterns for binary model files, metadata, and feature stores.
Distinct from In-Memory Data Stores: Candidates only cover in-memory stores; this feature covers a hybrid architecture of object stores and databases.
Explore 1 awesome GitHub repository matching data & databases · ML Data Storage Architectures. Refine with filters or upvote what's useful.
Awesome ML Data Storage Architectures GitHub Repositories
Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
- alirezadir/production-level-deep-learning
alirezadir/Production-Level-Deep-Learning
4,647Voir sur GitHubCe projet est un guide architectural MLOps et un framework pour concevoir et déployer des systèmes d'apprentissage profond dans des environnements de production. Il fournit une approche structurée pour le déploiement de l'inférence de modèles, l'orchestration de pipelines ML et la création d'architectures de machine learning de niveau production. Le projet se distingue par un accent mis sur l'apprentissage profond distribué et l'IA en périphérie (edge AI). Il couvre des méthodologies pour paralléliser l'entraînement des modèles sur plusieurs GPU afin de gérer de grands jeux de données et applique des techniques comme la quantification et la distillation pour réduire la taille des modèles pour le matériel embarqué. La surface de capacité s'étend à la surveillance et à l'observabilité, incluant le suivi de la performance des modèles, la dérive des données et les métriques d'expérience. Il aborde également l'orchestration des flux de travail de données, le versionnage des jeux de données via des magasins d'objets, et la gestion des requêtes d'inférence à haut volume en utilisant le traitement par lots adaptatif et l'orchestration basée sur des conteneurs.
Organizes binary files in object stores and metadata in databases to manage machine learning assets.
aiartificial-intelligencedeep-learning
