Awesome GitHub RepositoriesModel State Persistence

DSPy is a declarative programming framework designed for building complex language model applications. It treats model interactions as modular, composable programs, allowing developers to define task logic through typed class schemas rather than relying on manually written prompts. By organizing workflows into hierarchical, reusable Python objects, the framework enables the construction of sophisticated AI systems that manage state and execution flow independently. The framework distinguishes itself through an automated optimization engine that iteratively refines prompt instructions and few-

This project is a collection of educational examples and code for implementing deep learning architectures using the PyTorch framework. It serves as a tutorial and implementation guide for building various neural network architectures for machine learning tasks. The project provides practical implementations for computer vision, including image classification and neural style transfer, as well as natural language processing examples for building sequence models and language predictors. It also covers generative models using adversarial and variational networks to synthesize or transform visua

Baselines is a comprehensive suite of frameworks for reinforcement learning algorithm implementation, imitation learning, and training orchestration. It provides a library of standardized learning algorithms used to benchmark and replicate research results, alongside a deep learning policy framework for constructing neural network architectures such as multi-layer perceptrons, convolutional networks, and long short-term memory networks. The project includes a specialized imitation learning toolkit that enables agents to mimic expert behavior through behavior cloning and generative adversarial

Second-Me is a framework for orchestrating local agent tasks and fine-tuning personal language models. It provides a system for training specialized assistants on local datasets to support custom knowledge retrieval and task execution requirements. The project distinguishes itself through a modular architecture that manages the lifecycle of machine learning tasks. It includes a state manager that persists intermediate training progress to local storage, allowing for the interruption and resumption of long-running configuration processes. Furthermore, the system utilizes standardized protocols

Nerfstudio est un framework de développement modulaire pour entraîner, visualiser et exporter des représentations de scènes tridimensionnelles dérivées d'ensembles de données d'images bidimensionnelles. Il fournit un pipeline de reconstruction de scène neuronale qui convertit les images brutes et les données de caméra en actifs 3D haute fidélité et en vidéo cinématographique en utilisant un rendu volumétrique différentiable. Le système dispose d'un visualiseur interactif basé sur le web qui permet aux utilisateurs de surveiller la progression de l'entraînement et d'inspecter la géométrie de la scène neuronale en temps réel. Il découple les architectures de réseaux de neurones de la boucle d'entraînement via une interface modulaire standardisée, permettant le développement et l'expérimentation d'architectures de champs de radiance neuronaux personnalisées. Le framework couvre un large éventail de capacités, notamment le prétraitement des ensembles de données pour le calcul de la pose de la caméra, l'évaluation de la fidélité du modèle et la génération de séquences vidéo cinématographiques via l'interpolation de trajectoire de caméra. Il inclut également des utilitaires pour exporter des scènes entraînées en tant qu'actifs 3D et nuages de points pour une utilisation dans des logiciels de modélisation externes. L'exécution matérielle cohérente est prise en charge par des environnements conteneurisés qui regroupent les pilotes graphiques et les dépendances système.

llama-cpp-python provides a Python interface for the llama.cpp library, enabling the execution of large language models with hardware acceleration. It functions as a GGUF model loader and a structured text generator capable of running inference servers and multimodal runtimes for processing both text and image inputs. The project distinguishes itself through a local inference server that exposes model capabilities via an OpenAI-compatible web API. It supports advanced execution techniques including speculative decoding, weight quantization, and layer-based GPU offloading to manage memory acro

Sonnet is a modular machine learning framework and TensorFlow library used for building, training, and managing deep learning models. It functions as a system for composing neural networks from reusable modules and layers that encapsulate their own parameters and internal states. The project provides specialized tools for distributed model training, enabling the synchronization of gradients across multiple hardware devices. It also serves as a model state management system, allowing for the persistence of neural network weights and the export of portable models that separate the computation g

This project is a collection of PyTorch learning resources and educational guides designed to teach the construction and training of neural networks. It serves as a comprehensive deep learning tutorial covering various model architectures and practical implementation strategies. The resources provide specific guidance on implementing computer vision tasks, such as image classification and synthetic imagery generation, as well as reinforcement learning agents using value networks and experience replay. It also covers sequential data modeling through recurrent networks and generative modeling u

This project is a comprehensive collection of educational examples and reference implementations for building vision and language models using PyTorch. It serves as a deep learning tutorial covering the end-to-end process of developing neural networks, from initial architecture definition to final production deployment. The repository provides detailed guides on implementing a wide range of domain-specific models, including convolutional neural networks for object detection and segmentation, as well as transformer and recurrent architectures for natural language processing. It emphasizes gene

This project is a machine learning educational resource and implementation guide for Python. It provides a collection of executable code and notebooks that demonstrate predictive modeling, data analysis workflows, and the implementation of various machine learning algorithms. The repository features practical examples of classification, regression, and clustering tasks using Scikit-Learn, alongside tutorials for building and training deep learning architectures with TensorFlow. These include implementations of convolutional and recurrent networks. The content covers a broad range of capabili

scikit-opt is a Python optimization library and numerical framework designed to solve complex global optimization problems. It provides a suite of metaheuristic algorithms and tools for finding global minima or maxima of objective functions. The library implements a variety of nature-inspired and swarm intelligence algorithms, including Genetic Algorithms, Particle Swarm Optimization, Differential Evolution, Simulated Annealing, and Ant Colony Optimization. It includes specialized solvers for discrete combinatorial challenges, such as the Traveling Salesman Problem. The framework supports th

Ce projet est un framework de transformer basé sur JAX et un entraîneur de modèles de langage large conçu pour construire et entraîner des modèles distribués sur des accélérateurs matériels TPU. Il fournit un système pour le pré-entraînement et le fine-tuning de modèles autorégressifs en divisant les poids et les calculs sur un maillage de périphériques pour réduire la surcharge mémoire et augmenter la vitesse de traitement. Le framework inclut un orchestrateur de calcul TPU pour provisionner les ressources et automatiser l'installation des dépendances sur des nœuds distribués distants. Il dispose également d'un convertisseur de poids de modèle capable de transformer et de re-sharder les checkpoints entre différentes configurations matérielles et précisions numériques. Le projet couvre des capacités plus larges, notamment la gestion de checkpoints shardés pour le stockage cloud, le chargement de données par flux avec restauration d'état et la génération de texte basée sur le noyau pour l'inférence. Il prend en charge l'accélération matérielle compilée XLA pour les clusters TPU et GPU et fournit des outils de benchmarking de performance sur des tâches linguistiques standardisées.

Ce projet est un programme éducatif complet et un framework de deep learning conçu pour enseigner le deep learning pratique avec PyTorch via des notebooks et des exemples de code. Il sert de bibliothèque de haut niveau pour construire, entraîner et déployer des réseaux de neurones, agissant comme un orchestrateur d'entraînement de modèles qui coordonne les modèles PyTorch, les optimiseurs et les fonctions de perte. Le projet fournit des boîtes à outils spécialisées pour la vision par ordinateur, le traitement du langage naturel et le prétraitement de données tabulaires. Il se distingue par des contrôles d'entraînement avancés tels que des taux d'apprentissage discriminatifs, un système de callback bidirectionnel pour personnaliser la logique d'entraînement, et une abstraction de haut niveau qui automatise le placement sur périphérique et les boucles d'entraînement. Le framework couvre une large surface de capacités, y compris la construction automatisée de pipelines de données, l'analyse d'architecture de modèles et l'évaluation des performances sur des tâches de classification, de régression et de segmentation. Il inclut également des utilitaires pour l'entraînement distribué sur plusieurs GPU, l'entraînement en précision mixte pour l'optimisation de la mémoire, et un support spécialisé pour les données d'imagerie médicale. Le projet est livré sous forme d'une série de Jupyter Notebooks.

torch2trt est un outil permettant de transformer des modules de modèles PyTorch en moteurs TensorRT optimisés afin d'améliorer les performances d'inférence sur les GPU NVIDIA. Il fonctionne comme un optimiseur de modèles de deep learning et un générateur de moteurs qui convertit les couches de réseaux de neurones en formats d'exécution haute performance pour les processeurs graphiques accélérés par matériel. Le projet propose un outil de conversion de couches personnalisé qui permet aux utilisateurs de définir et d'enregistrer une logique de conversion basée sur Python pour gérer des opérations spécialisées non prises en charge par défaut. Cette extensibilité est couplée à un système basé sur un registre pour mapper des types de couches spécifiques à des fonctions de conversion définies par l'utilisateur. Le système couvre l'accélération de l'inférence GPU via la quantification de modèles de deep learning et l'entraînement conscient de la quantification pour réduire l'utilisation de la mémoire et augmenter le débit. Il inclut également des capacités de persistance des modèles, permettant de stocker et de recharger l'état des moteurs optimisés.

This project is a comprehensive instructional resource and course for building neural networks using PyTorch. It covers the fundamental building blocks of deep learning, including tensor manipulation, automatic differentiation, and the construction of modular neural network components. The repository serves as a technical guide for several specialized domains. It provides implementation details for computer vision tasks such as image classification, object detection, and semantic segmentation, as well as natural language processing workflows involving transformers, recurrent networks, and gen

Ce projet est un dépôt de cursus académique et un centre de ressources pédagogiques pour l'étude des probabilités, des statistiques et du machine learning. Il sert de site de cours de deep learning et de hub pour le matériel pédagogique, fournissant une collection structurée de contenus conçus pour enseigner les architectures de réseaux de neurones. Le dépôt se distingue en combinant une ressource pédagogique complète avec une archive de projets de machine learning. Il fournit un ensemble curaté d'exemples de recherche et de guides d'implémentation pour une large gamme de modèles, incluant les perceptrons multicouches, les réseaux convolutifs et les modèles de séquences récurrents. Le projet couvre un large éventail de capacités, incluant la recherche en vision par ordinateur pour la détection d'objets et la classification d'images, l'implémentation de la modélisation séquence-à-séquence et des techniques d'optimisation de réseaux de neurones. Il fournit également des outils administratifs pour la gestion de cours académiques, tels que le suivi des jalons de projet et la distribution des devoirs. Le matériel pédagogique est délivré via une combinaison de notebooks interactifs, de diapositives de cours et d'enregistrements vidéo.

This is a structured deep learning curriculum for programmers, delivered as a collection of Jupyter notebooks. It teaches the fundamentals of training neural networks for computer vision, natural language processing, tabular data analysis, and collaborative filtering using PyTorch and the fastai library. The course is designed to be hands-on, guiding learners from building a training loop from scratch to fine-tuning pretrained models for a variety of practical tasks. The curriculum distinguishes itself by covering the full lifecycle of a deep learning project, from data preparation and augmen