Hidet是一个强大的深度学习编译器，可简化在现代加速器（例如 NVIDIA GPU）上实现高性能深度学习运算符的过程。借助 P

Hidet是一个强大的深度学习编译器，可简化在现代加速器（例如 NVIDIA GPU）上实现高性能深度学习运算符的过程。借助 PyTorch 2.0 中的新功能torch.compile(...)，将新型编译器集成到 PyTorch 中比以往任何时候都更容易Hidet 现在可以用作torch.compile(...)加速 PyTorch 模型的后端，这对于想要提高其推理性能的 PyTorch 用户来说是一个有吸引力的选择模型，特别是对于那些还需要实施极其优化的自定义运算符的人。 | #编译器

( flwr) 是用于构建联邦学习系统的 #框架 。Flower 的设计基于以下几个指导原则：

( flwr) 是用于构建联邦学习系统的 #框架 。Flower 的设计基于以下几个指导原则： 可定制：联邦学习系统因一个用例而异。Flower 允许根据每个单独的用例的需要进行各种不同的配置。 可扩展：Flower 起源于牛津大学的一个研究项目，因此在构建时考虑了 AI 研究。许多组件可以扩展和覆盖以构建新的最先进的系统。 与框架无关：不同的机器学习框架具有不同的优势。Flower 可以与任何机器学习框架一起使用，例如PyTorch、 TensorFlow、Hugging Face Transformers、PyTorch Lightning、MXNet、scikit-learn、JAX、TFLite，甚至 适合喜欢手动计算梯度的用户的原始NumPy 。 可以理解：Flower 的编写考虑了可维护性。鼓励社区阅读和贡献代码库

：完全重写的Keras代码库，基于模块化后端架构进行重构，可以在任意框架上运行Keras工作流，包括TensorFlow、JAX

：完全重写的Keras代码库，基于模块化后端架构进行重构，可以在任意框架上运行Keras工作流，包括TensorFlow、JAX和PyTorch。 新功能包括：完整的Keras API，适用于TensorFlow、JAX和PyTorch；跨框架的深度学习低级语言；与JAX、PyTorch和TensorFlow原生工作流的无缝集成；支持所有后端的跨框架数据流水线；预训练模型等

Whisper JAX：这是一个对OpenAI开源的Whisper模型网页链接 的优化版本，它针对GPU和TPU做了优化，性能提

Whisper JAX：这是一个对OpenAI开源的Whisper模型网页链接 的优化版本，它针对GPU和TPU做了优化，性能提升了70倍，最快1小时的音频15秒能完成转录！ 提速的关键： 1. 批量处理 Transformers 实现了一种批处理算法，其中单个音频样本被分成 30 秒的片段，然后分批转录这些块。这种批处理算法比 OpenAI（按顺序转录块）提供高达 7 倍的增益 2. JAX优于PyTorch JAX 是一个用于高性能机器学习研究的自动微分库，通过即时 (JIT) 编译 Whisper，比PyTorch在 GPU 上获得了 2 倍的速度提升 3. TPUs 优于 GPUs 张量处理单元 (TPU) 是由 Google 设计的 ML 加速器， TPU 专为矩阵乘法而构建，与更通用的 GPU 相比具有显着优势。在 TPU v4-8 上运行 Whisper JAX 比在 NVIDIA A100 上快 5 倍！ 全部加在一起：批处理 7 倍 JAX 2 倍 TPU 5 倍速度增益 => 整体速度提升 70 倍 | |

：一个深度学习库，利用可组合的编译器实现高性能。它以极快的速度运行，支持Metal和CUDA，使用Rust编写，直接与底层API

：一个深度学习库，利用可组合的编译器实现高性能。它以极快的速度运行，支持Metal和CUDA，使用Rust编写，直接与底层API交互，无需中间层。 其核心思想是提前编译所有内容，采用静态计算图实现惰性执行，使得编译器可以全局优化，实现了高效的核心运算与编译时间的分离。

：易于使用的 PyTorch 库，可轻松编写、微调和实验LLM模型。

：易于使用的 PyTorch 库，可轻松编写、微调和实验LLM模型。 该库提供了多种功能，包括使用 native-PyTorch 实现的流行语言模型，支持各种格式的复原，以及提供训练和评估工具，例如 HF 格式的检查点支持。