awesome-repositories.com
Blog
awesome-repositories.com

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

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

2 dépôts

Awesome GitHub RepositoriesJIT Model Optimizations

Uses Just-In-Time compilation to optimize neural network function execution and variable retrieval.

Distinct from Execution Optimizations: Focuses on JIT scripts for deep learning forward/backward passes rather than general language runtime optimizations

Explore 2 awesome GitHub repositories matching programming languages & runtimes · JIT Model Optimizations. Refine with filters or upvote what's useful.

Awesome JIT Model Optimizations GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • fastai/course-v3Avatar de fastai

    fastai/course-v3

    4,914Voir sur GitHub↗

    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.

    Employs JIT scripts to accelerate the execution of forward and backward passes during training.

    Jupyter Notebookdata-sciencedeep-learningfastai
    Voir sur GitHub↗4,914
  • iree-org/ireeAvatar de iree-org

    iree-org/iree

    3,819Voir sur GitHub↗

    IREE is an MLIR-based compiler toolchain and runtime designed to translate machine learning models from various frameworks into optimized binaries for execution across diverse hardware targets. It provides a unified pipeline to ingest models from PyTorch, TensorFlow, JAX, and ONNX, lowering them into a common intermediate representation for deployment on CPUs, GPUs, and bare-metal embedded systems. The project distinguishes itself through a bytecode virtual machine and a hardware abstraction layer that decouple high-level model logic from specific hardware instruction sets. It supports sophis

    Uses just-in-time compilation to optimize neural network functions within interactive sessions for immediate execution.

    C++compilercudajax
    Voir sur GitHub↗3,819
  1. Home
  2. Programming Languages & Runtimes
  3. Execution Optimizations
  4. JIT Model Optimizations