Awesome GitHub RepositoriesHyperparameter Optimizers

Skorch एक डीप लर्निंग वर्कफ़्लो मैनेजर और टेंसर-आधारित मॉडल इंटरफ़ेस है। यह मानक मशीन लर्निंग वर्कफ़्लो के भीतर न्यूरल नेटवर्क के साथ ट्रेनिंग और प्रेडिक्शन के लिए एक सुसंगत API प्रदान करता है, जो इष्टतम नेटवर्क कॉन्फ़िगरेशन खोजने के लिए एक हाइपरपैरामीटर ऑप्टिमाइज़र के रूप में कार्य करता है। लाइब्रेरी PyTorch न्यूरल नेटवर्क को scikit-learn कम्पैटिबल इंटरफ़ेस में रैप करने में माहिर है। यह टेंसर-आधारित मॉडल को पारंपरिक मशीन लर्निंग पाइपलाइन और ग्रिड सर्च टूल्स के भीतर उपयोग करने की अनुमति देता है, जिसमें मॉडल कॉन्फ़िगरेशन के लिए पैरामीटर ग्रिड की मैपिंग शामिल है। फ़्रेमवर्क अर्ली स्टॉपिंग, चेकपॉइंटिंग और लर्निंग रेट शेड्यूलर के माध्यम से ट्रेनिंग लाइफसाइकिल प्रबंधन को कवर करता है। इसमें लेयर फ़्रीज़िंग, टेंसर और NumPy एरेज़ के बीच स्वचालित अनुवाद, और रियल-टाइम ट्रेनिंग प्रोग्रेस मॉनिटरिंग के माध्यम से मॉडल पैरामीटर नियंत्रण के लिए क्षमताएं भी शामिल हैं।

Skorch एक लाइब्रेरी है जो PyTorch न्यूरल नेटवर्क को scikit-learn कम्पैटिबल इंटरफ़ेस में रैप करती है, जिससे डीप लर्निंग मॉडल को मानक मशीन लर्निंग पाइपलाइन और हाइपरपैरामीटर ऑप्टिमाइज़ेशन टूल्स के भीतर उपयोग करने की अनुमति मिलती है। यह एक डेटा एडाप्टर, ट्रेनिंग मैनेजर और ऑप्टिमाइज़ेशन टूल के रूप में कार्य करता है जो डीप लर्निंग मॉड्यूल और पारंपरिक मशीन लर्निंग वर्कफ़्लो के बीच की खाई को पाटता है। यह प्रोजेक्ट PyTorch ट्रेनिंग लाइफसाइकिल को ऑटोमेट करने के लिए एक टूलकिट प्रदान करके खुद को अलग करता है, जिसमें इंटीग्रेटेड चेकपॉइंटिंग, अर्ली स्टॉपिंग और लर्निंग रेट शेड्यूलिंग शामिल है। यह विशिष्ट मॉडल लेयर्स को फ़्रीज़ करने और विशेष कार्यों के लिए प्री-ट्रेंड वेट्स को फ़ाइन-ट्यून करने के लिए यूटिलिटीज के माध्यम से ट्रांसफ़र लर्निंग को सक्षम बनाता है। क्षमता सतह डेटा ट्रांसफ़ॉर्मेशन तक फैली हुई है, जिसमें टैबुलर डेटा और न्यूमेरिकल एरेज़ को टेंसर फ़ॉर्मेट में परिवर्तित करना और टेक्स्ट टोकनाइज़र का रजिस्ट्रेशन शामिल है। यह हार्डवेयर एक्सेलेरेशन चयन, जस्ट-इन-टाइम मॉड्यूल कंपाइलेशन और अनिश्चितता परिमाणीकरण (uncertainty quantification) के लिए प्रोबेबिलिस्टिक डेटा मॉडलिंग के लिए टूल्स भी प्रदान करता है। सिस्टम प्रयोगों को पुनरुत्पादनीय (reproducible) बनाने के लिए हाइपरपैरामीटर्स को कमांड लाइन आर्गुमेंट्स में मैप करने के लिए यूटिलिटीज शामिल करता है।

PufferLib is a reinforcement learning framework built around high-speed environment simulation and automatic hyperparameter optimization. It is designed to accelerate the entire RL training pipeline by running simulations at near-native speed and enabling the training of tiny models to super-human performance within seconds. The framework achieves its speed through a single-process training loop that eliminates inter-process communication overhead, vectorized batched simulation for parallel environment execution, and compiled C extensions that offload performance-critical computations. It als

Cube Studio एक क्लाउड-नेटिव MLOps प्लेटफॉर्म और Kubernetes-आधारित AI ऑर्केस्ट्रेटर है जिसे पूरे मशीन लर्निंग लाइफसाइकिल के लिए डिज़ाइन किया गया है। यह बड़े पैमाने पर मॉडल फाइन-ट्यूनिंग के लिए एक डिस्ट्रीब्यूटेड ट्रेनिंग फ्रेमवर्क, हार्डवेयर वर्चुअलाइजेशन के लिए GPU रिसोर्स मैनेजर, और एंड-टू-एंड वर्कफ़्लो को मैनेज करने के लिए विजुअल डायरेक्टेड एसाइक्लिक ग्राफ का उपयोग करने वाला ML पाइपलाइन ऑर्केस्ट्रेटर प्रदान करता है। यह प्लेटफॉर्म अपने विशेष LLM इन्फरेंस सर्वर के माध्यम से खुद को अलग बनाता है, जो रिट्रीवल-ऑगमेंटेड जनरेशन और प्राइवेट नॉलेज बेस के निर्माण का समर्थन करता है। इसमें लार्ज लैंग्वेज मॉडल की सुपरवाइज्ड फाइन-ट्यूनिंग और रिइंफोर्समेंट लर्निंग के लिए एक समर्पित सिस्टम है, जो विजुअल हाइपरपैरामीटर सर्च टूल के साथ आता है। सिस्टम मल्टीमॉडल डेटा लेबलिंग, डिस्ट्रीब्यूटेड डेटा पाइपलाइन और मल्टी-क्लस्टर वर्कलोड शेड्यूलिंग जैसी व्यापक परिचालन क्षमताओं को कवर करता है।

PyTorch Forecasting is a deep learning framework designed for building and training neural network architectures specifically for time series forecasting. It serves as a comprehensive toolkit for implementing autoregressive models, multi-horizon forecasting, and probabilistic prediction intervals using PyTorch tensors. The library distinguishes itself through a probabilistic forecasting toolkit that generates prediction intervals and quantile forecasts using both parametric and non-parametric distributions. It further provides a neural network model optimizer for automated hyperparameter tuni

FLAML is an automated machine learning framework, hyperparameter optimization tool, and large language model agent orchestrator. It provides a system for model selection and tuning across various learners and datasets, while also offering a toolkit for optimizing the inference parameters and fine-tuning settings of large language models. The project features a meta-learning tuning system that analyzes historical task data to generate data-dependent default configurations, accelerating model convergence. It further enables the design of collaborative multi-agent systems through conversational

fast-reid एक PyTorch-आधारित कंप्यूटर विज़न फ्रेमवर्क है जिसे आइडेंटिटी-आधारित विज़न कार्यों के लिए डीप लर्निंग मॉडल्स बनाने, ट्रेन करने और डिप्लॉय करने के लिए डिज़ाइन किया गया है। यह पर्सन री-आइडेंटिफिकेशन और व्हीकल री-आइडेंटिफिकेशन के लिए एक विशेष टूलबॉक्स प्रदान करता है, जो नॉन-ओवरलैपिंग कैमरा व्यूज़ में व्यक्तियों और वाहनों के मिलान को सक्षम बनाता है। इस प्रोजेक्ट में विशिष्ट शारीरिक विशेषताओं और लक्षणों की पहचान करने के लिए पर्सन एट्रिब्यूट रिकग्निशन टूल्स शामिल हैं। इसमें एक मॉड्यूलर मॉडल ज़ू है जो विभिन्न री-आइडेंटिफिकेशन आर्किटेक्चर को स्वैप और बेंचमार्क करने की अनुमति देता है। यह फ्रेमवर्क लार्ज-स्केल डेवलपमेंट इंफ्रास्ट्रक्चर को कवर करता है, जिसमें मल्टीपल GPUs पर डिस्ट्रीब्यूटेड ट्रेनिंग, मिक्स्ड प्रिसिजन ट्रेनिंग और जटिल नेटवर्क्स से छोटे स्टूडेंट मॉडल्स में रिप्रेजेंटेशन ट्रांसफर करने के लिए नॉलेज डिस्टिलेशन शामिल है। यह हाइपरपैरामीटर ऑप्टिमाइजेशन लूप, मल्टी-डेटासेट इवैल्यूएशन इंजन और प्रोडक्शन डिप्लॉयमेंट के लिए मॉडल्स को इंडस्ट्री-स्टैंडर्ड फॉर्मेट्स में एक्सपोर्ट करने के लिए पाइपलाइन्स भी प्रदान करता है।

PocketFlow is an integrated toolkit for deep learning model compression, distributed training, and mobile format optimization. It provides a system for reducing the size and complexity of neural networks to improve inference efficiency, featuring a dedicated engine for knowledge distillation and a mobile model optimizer. The framework differentiates itself through an automated hyperparameter tuning system that uses reinforcement learning and statistical models to determine optimal compression ratios and layer-wise bit allocation. It also includes a distributed training system that utilizes mu

This project is a collection of pretrained reinforcement learning agents and training scripts built on Stable Baselines3 and Gymnasium. It provides a framework for training agents to solve specific tasks, managing experiment reproducibility, and deploying pretrained models. The system includes a specialized benchmarking suite and optimization tools for tuning agent settings. It utilizes automated search spaces and distributed trials to maximize performance, while employing bootstrap sampling to generate statistically robust performance metrics and confidence intervals. Broad capabilities cov