Awesome GitHub RepositoriesTensor Concatenation

Torch7 is a scientific computing environment and tensor computation library used for deep learning research and numerical analysis. It functions as a Lua-based framework for training neural networks and learning agents, providing a toolkit for implementing architectures and training through reinforcement learning algorithms. The project is distinguished by its tight integration with C, utilizing a binding layer to map high-level scripting to low-level C structures for direct memory access. It supports hardware-accelerated computation by offloading linear algebra and convolution operations to

यह रिपॉजिटरी एक व्यापक शैक्षिक कार्यक्रम और डीप लर्निंग फ्रेमवर्क है, जिसे नोटबुक और कोड उदाहरणों के माध्यम से PyTorch का उपयोग करके व्यावहारिक डीप लर्निंग सिखाने के लिए डिज़ाइन किया गया है। यह न्यूरल नेटवर्क बनाने, प्रशिक्षित करने और डिप्लॉय करने के लिए एक हाई-लेवल लाइब्रेरी के रूप में कार्य करता है। यह प्रोजेक्ट कंप्यूटर विज़न, नेचुरल लैंग्वेज प्रोसेसिंग और टैबुलर डेटा प्रीप्रोसेसिंग के लिए विशेष टूलकिट प्रदान करता है। यह डिस्क्रिमिनेटिव लर्निंग रेट्स, ट्रेनिंग लॉजिक को कस्टमाइज़ करने के लिए टू-वे कॉलबैक सिस्टम और हाई-लेवल लर्नर एब्स्ट्रैक्शन जैसे उन्नत ट्रेनिंग कंट्रोल्स के माध्यम से खुद को अलग करता है। यह प्रोजेक्ट Jupyter Notebooks की एक श्रृंखला के रूप में उपलब्ध है।

Ignite PyTorch न्यूरल नेटवर्क के लिए एक उच्च-स्तरीय ट्रेनिंग फ्रेमवर्क है जो एक ट्रेनिंग इंजन और डीप लर्निंग लाइफसाइकिल मैनेजर के रूप में कार्य करता है। यह ट्रेनिंग और इवैल्यूएशन लूप को व्यवस्थित और स्वचालित करने, डेटा इटरेटर्स को प्रबंधित करने और मॉडल ट्रेनिंग प्रक्रिया के दौरान विशिष्ट मील के पत्थर पर इवेंट हैंडलर्स को ट्रिगर करने के लिए एक संरचित सिस्टम प्रदान करता है। यह प्रोजेक्ट डिस्ट्रीब्यूटेड ट्रेनिंग और मॉडल इवैल्यूएशन के लिए टूल्स के एक व्यापक सूट के माध्यम से खुद को अलग करता है। इसमें ग्रेडिएंट्स को सिंक्रोनाइज़ करने और कई GPUs या नोड्स के बीच सामूहिक संचार का समन्वय करने के लिए यूटिलिटीज, साथ ही परफॉरमेंस मेट्रिक्स की गणना और k-fold क्रॉस-वैलिडेशन करने के लिए एक इवैल्यूएशन सूट शामिल है। इसकी व्यापक क्षमताएं ट्रेनिंग वर्कफ़्लो ऑटोमेशन को कवर करती हैं, जिसमें लर्निंग रेट शेड्यूलिंग, अर्ली स्टॉपिंग और हाइपरपैरामीटर ऑप्टिमाइज़ेशन शामिल हैं। फ्रेमवर्क एक्सपेरिमेंट ट्रैकिंग, निष्पादन समय प्रोफाइलिंग और मेमोरी उपयोग को ऑप्टिमाइज़ करने के लिए मिक्स्ड प्रिसिजन ट्रेनिंग के लिए ऑब्जर्वेबिलिटी टूल्स भी प्रदान करता है। मॉडल चेकपॉइंट्स को प्रबंधित करने और ट्रेनिंग सत्रों को रिकवर करने के लिए स्टेट पर्सिस्टेंस मैकेनिज्म शामिल हैं। डिप्लॉयमेंट और एनवायरनमेंट सेटअप को सरल बनाने के लिए कंटेनराइज़्ड एनवायरनमेंट उपलब्ध हैं।

oneDNN is a library for deep learning acceleration that provides optimized building blocks for neural network training and inference. It manages tensor computation across CPU and GPU hardware, enabling the execution of high-performance primitives for model training and neural network inference optimization. The project distinguishes itself through hardware-specific kernel optimization and the use of just-in-time compilation to target specific processor instruction sets. It supports quantized neural network execution using both static and dynamic quantization to reduce memory usage and increas

Lightly is a self-supervised learning framework and computer vision data curation tool designed to manage large image datasets and train models on unlabeled data. It functions as a PyTorch vision library and dataset management SDK, providing tools to convert raw images into high-dimensional vectors for similarity search, visualization, and feature extraction. The project implements a variety of self-supervised architectures, including MoCo, SimCLR, VICReg, Barlow Twins, and masked image modeling. It distinguishes itself by combining these learning frameworks with active learning capabilities,

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