TorchGeo开源项目 – 地理空间数据的PyTorch库

μKG是一个专门用于多源知识图谱嵌入和应用开发的库。它支持多种知识图谱嵌入算法，能够高效处理大规模知识图谱数据，并提供了丰富的API接口，便于开发者进行知识图谱的嵌入学习、融合、推理和预测，以及构建基于知识图谱的应用程序和可视化分析。

RSP项目利用随机帧预测技术进行视觉表示学习，旨在提高学习效率，适用于各种视觉表示任务。

micrograd是一个实现反向传播的自动梯度引擎，作为训练神经网络的核心代码，以其简洁和高效著称。它支持基本的神经网络操作和梯度下降，轻量级且易于集成到机器学习项目中。

TensorFlow是由Google开发的开源库，旨在简化机器学习模型的构建和部署过程，适合各种用户，从新手到专业数据科学家。

scaling-book 是一个全面的指南和资源库，专注于使用 JAX 扩展机器学习模型。它提供了详细的文档、实用的代码示例，涵盖了从基础到高级的扩展方法，并与现代机器学习框架和工具集成。该项目还支持社区驱动的更新和贡献。

KIM（知识引导模型）是一个创新的机器学习项目，旨在通过结合大型语言模型（LLM）和通用领域知识来增强行为克隆的性能。行为克隆是一种通过观察专家行为来学习决策策略的技术，而KIM通过引入结构化知识，显著提高了样本效率和鲁棒性，使其能够在少量演示数据下表现良好。KIM利用LLM生成策略结构，并通过少量演示数据进行微调，特别适用于需要专家演示的顺序决策任务，如月球着陆器和赛车任务。

该项目是一个集成多种遥感数据源的多模态大语言模型，旨在提升视觉与语言的理解能力，支持遥感数据的分析与应用。

lightning-uq-box是一个基于PyTorch和Lightning的库，旨在为现代神经网络提供多种不确定性量化(UQ)技术，支持灵活的模型训练和评估，并与现有的PyTorch项目无缝集成。

EasyVolcap是一个基于PyTorch的库，专注于加速神经体积视频的研究，特别是在体积视频捕获、重建和渲染领域。它提供了预构建的深度学习模型，支持自定义网络构建，允许研究人员灵活地创建新算法。通过协同优化器、采样器和渲染器的设计，实现了高效的模型训练和渲染。此外，EasyVolcap还提供了预训练模型和数据集，以加速研究过程，并已被广泛应用于神经体积视频算法的研究和开发。

MoE-Infinity 是一个专为 Mixture-of-Experts (MoE) 模型的推理和服务而设计的 PyTorch 库，具有低成本、高性能和易于使用的特点。它通过专家模块内存卸载和优化技术，显著降低了显存占用和推理延迟，同时兼容 HuggingFace 模型，能够无缝对接主流大型语言模型 (LLM)。

MLVGP（Mixed Likelihood Variational Gaussian Processes）是一种创新的机器学习框架，旨在通过单一证据下界整合多种似然函数，从而实现对多样数据类型的联合建模，并有效整合辅助信息如用户信心评分或领域专业知识。该框架在视觉感知、触觉感知和机器人步态优化等任务中展示了显著的性能提升，特别适合人机交互实验和非高斯数据建模场景。

Optuna是一个专为易用性、可扩展性和灵活性设计的下一代超参数优化框架。它支持剪枝和并行化，能够自动停止无希望的试验，并在多个进程或线程中进行并行优化。Optuna提供了动态搜索空间的定义-by-run API，并提供了多种采样器以适应不同的优化策略。此外，Optuna还集成了可视化工具，用于分析优化结果，并支持与TensorFlow、PyTorch、XGBoost等流行机器学习框架的无缝集成。

TerraTorch 是一个用于微调地理空间基础模型（GFMs）的 Python 工具包，提供了一个灵活的微调框架，并支持在不同抽象层次上进行交互。该工具包专为地理空间数据和模型设计，易于集成和使用。

modelkit是一个极简但功能强大的Python MLOps库，方便将机器学习模型快速部署到产品中，兼容多种框架，提供模型版本控制和多种数据源支持。

pytorch-lifestream 是一个基于 PyTorch 的库，专门用于在离散事件序列上构建嵌入。该库利用自监督学习方法，能够高效地生成序列数据的嵌入表示，适用于各种时间序列和事件驱动的应用场景。