Awesome GitHub RepositoriesDistributed Training Coordination

Cube Studio este o platformă MLOps cloud-native și un orchestrator AI bazat pe Kubernetes, conceput pentru întregul ciclu de viață al învățării automate. Oferă un framework de antrenare distribuită pentru fine-tuning-ul modelelor la scară largă, un manager de resurse GPU pentru virtualizarea hardware și un orchestrator de pipeline-uri ML care utilizează grafuri aciclice direcționate vizuale pentru a gestiona fluxurile de lucru end-to-end. Platforma se distinge prin serverul său specializat de inferență LLM, care suportă generarea augmentată prin recuperare (RAG) și construirea de baze de cunoștințe private. Dispune de un sistem dedicat pentru fine-tuning supervizat și învățare prin consolidare a modelelor de limbaj mari, completat de instrumente vizuale de căutare a hiperparametrilor. Sistemul acoperă o gamă largă de capabilități operaționale, inclusiv etichetarea datelor multimodale, pipeline-uri de date distribuite și programarea sarcinilor de lucru multi-cluster. De asemenea, oferă medii de dezvoltare interactive bazate pe browser, gestionarea imaginilor de containere și un registru de modele pentru versionarea și implementarea API-urilor de inferență scalabile cu împărțirea traficului. Infrastructura include monitorizarea integrată a stării clusterului și controlul accesului bazat pe roluri cu integrare single sign-on.

Acest proiect este un program educațional cuprinzător și un framework de deep learning conceput pentru a preda deep learning practic folosind PyTorch prin notebook-uri și exemple de cod. Servește drept bibliotecă de nivel înalt pentru construirea, antrenarea și implementarea rețelelor neuronale, acționând ca un orchestrator de antrenare a modelelor care coordonează modelele PyTorch, optimizatoarele și funcțiile de loss. Proiectul oferă toolkit-uri specializate pentru computer vision, procesarea limbajului natural și preprocesarea datelor tabelare. Se distinge prin controale avansate de antrenare, cum ar fi rate de învățare discriminative, un sistem de callback bidirecțional pentru personalizarea logicii de antrenare și o abstractizare de nivel înalt a learner-ului care automatizează plasarea pe dispozitiv și buclele de antrenare. Framework-ul acoperă o suprafață largă de capabilități, inclusiv construcția automată a pipeline-urilor de date, analiza arhitecturii modelelor și evaluarea performanței în sarcini de clasificare, regresie și segmentare. Include, de asemenea, utilitare pentru antrenarea distribuită pe mai multe GPU-uri, antrenarea cu precizie mixtă pentru optimizarea memoriei și suport specializat pentru date de imagistică medicală. Proiectul este livrat sub formă de serie de Jupyter Notebooks.

FlagAI is a distributed deep learning framework and platform designed for the end-to-end lifecycle of large-scale foundation models. It provides a toolkit for training, fine-tuning, and deploying large language models and multi-modal systems across multi-node computing clusters. The project features hardware-agnostic compute abstractions to ensure consistent execution across different accelerators. It includes a dedicated library for parameter-efficient fine-tuning, allowing large neural networks to be adapted to specific tasks with minimal parameter updates and reduced computational overhead

BytePS is a distributed deep neural network training framework and communication library designed to scale model training across multiple GPUs and compute nodes. It functions as a GPU cluster orchestrator and RDMA network optimizer, providing the necessary primitives to synchronize gradients and data across a server cluster. The project distinguishes itself through high-performance network optimizations, utilizing remote direct memory access and page-aligned memory to reduce latency. It employs topology-aware communication tuning and CPU core affinity management to maximize hardware throughpu

ReAgent is a reinforcement learning platform designed for training, deploying, and evaluating reinforcement learning models and contextual bandit systems for large-scale decision making. It provides a comprehensive suite of tools that spans the entire workflow from initial feasibility analysis to production serving. The system includes a deep reinforcement learning training framework for distributed off-policy algorithms and a specialized model serving layer for high-volume production inference. It distinguishes itself with a counterfactual policy evaluator for estimating performance using hi

RL-Swarm is a decentralized reinforcement learning framework designed to coordinate distributed machine learning agents across peer-to-peer networks. It functions as a distributed computing orchestrator that manages multi-agent roles and hardware resources to facilitate large-scale collaborative training. By anchoring training processes in cryptographic verification and decentralized contracts, the system ensures that model development remains transparent, verifiable, and resistant to manipulation. The platform distinguishes itself through a multi-agent expert coordination model that organize

Acest proiect este o platformă orientată spre cercetare, concepută pentru simularea mediilor de machine learning descentralizate. Oferă un framework pentru antrenarea modelelor pe mai multe noduri client, păstrând în același timp datele brute localizate, permițând evaluarea convergenței modelului și a performanței în diverse condiții de rețea distribuită. Sistemul utilizează o arhitectură de tip parameter-server pentru a coordona antrenarea, unde un coordonator central gestionează starea globală a modelului și agregă actualizările ponderilor de la participanții distribuiți. Prin decuplarea logicii de orchestrare a antrenării de definițiile rețelelor neuronale subiacente, framework-ul permite testarea diverselor arhitecturi de modele și distribuții de date. Platforma include instrumente pentru configurarea și executarea experimentelor, cum ar fi definirea strategiilor de participare a clienților, gestionarea partiționării seturilor de date și setarea parametrilor de antrenare. Suportă simularea mediilor de date eterogene și oferă utilitare pentru gestionarea seturilor de date standard, toate construite pentru a asigura compatibilitatea cu ecosistemul PyTorch.