不确定性量化

该项目是一篇立场论文，由Theodore Papamarkou等25位学者联合发表，强调贝叶斯深度学习（BDL）在大型AI时代的关键作用。论文指出，尽管传统深度学习在大型监督任务中表现优异，但忽视了不确定性量化、主动学习及多样化数据处理等核心问题。BDL通过为深度学习模型提供概率框架，能够有效解决这些问题，尤其适用于小数据集和科学数据等复杂场景。论文在2024年国际机器学习会议（ICML）上发表，并呼吁学术界更广泛地采用贝叶斯方法。

NeuroBayes 是一个基于贝叶斯统计的神经网络包，旨在为机器学习中的复杂问题提供强大的解决方案。它结合了神经网络的灵活性与贝叶斯方法的严谨不确定性量化，特别适合需要高精度预测的场景。最初主要用于物理学分析，如 DELPHI 和 CDF 合作中的数据处理，后来扩展到工业应用，涵盖金融、医疗等多个领域。

online_conformal 是一个在线保角预测算法库，实现了多种算法，能够对随时间任意分布变化的数据进行保角预测。该库特别适用于在线学习和预测场景，提供灵活的算法配置选项，帮助用户在动态数据环境中进行不确定性量化。

Puncc是一个开源的Python库，集成了最先进的置信预测算法及相关技术，适用于回归和分类问题。它可以与任何预测模型结合使用，提供严格的不确定性估计。

Conformal-time-series 是一个专门为时间序列数据设计的工具，它结合了保形预测（conformal prediction）技术和PID控制方法，用于生成时间序列预测的置信区间。该项目不仅提供了对时间序列预测模型的不确定性量化支持，还能与现有的时间序列预测流程无缝集成，适用于多种时间序列预测模型。

一种利用符合预测技术进行风险管理的方法论。

Conformalized Graph Neural Networks项目旨在通过图形的符合预测技术进行不确定性量化，适用于图形数据分析和机器学习任务的改进。

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。

Modular Diffusion 是一个易于使用的模块化 API，旨在使用 PyTorch 设计和训练自定义扩散模型，适合多种应用场景，包括图像生成和去噪处理。

Zeta是一个高性能的AI模型构建框架，采用模块化和可重用的构建块，能够比PyTorch、TensorFlow等框架快80%。它旨在提高开发效率，降低学习曲线，适合各种规模的机器学习任务。

accelerate是一个工具，可以帮助用户在多种设备上简单地运行PyTorch训练脚本，支持多GPU和TPU训练，并提供了易于集成的解决方案。它使得混合精度训练变得简单，同时支持分布式训练，用户可以通过命令行接口轻松启动训练任务。

Ludwig v0.8是一个开源的低代码框架，旨在帮助开发者轻松构建先进的机器学习模型，特别是优化用于使用私有数据构建定制的大型语言模型（LLM）。它提供了一种声明式接口，使得模型的构建过程更加高效和简便。

Spio是一个专为PyTorch设计的高效工具，利用优化的CUDA内核显著提升卷积神经网络的训练效率，特别是在分组卷积的性能方面。

ColossalAI是一个开源的分布式AI大模型训练框架，旨在降低大规模AI大模型的训练成本和复杂度。它通过先进的并行计算技术，让开发者在有限硬件资源下也能高效训练超大规模大模型。支持多种并行策略、混合精度训练、内存优化等技术，广泛应用于大规模模型训练、科研实验和企业部署。

Tiny LLM zh 是一个从零开始的小参数量中文大语言模型，旨在帮助学习者快速掌握大模型相关知识。该项目提供了公开的数据和代码，支持多阶段训练和人类对齐技术，使得用户能够轻松入门并进行相关实验。

LLMPruner是一款专为大语言模型设计的裁剪工具，旨在优化模型性能并减少其参数量。它支持多种模型架构，并提供可视化工具，方便用户了解模型结构和裁剪效果，易于与现有机器学习工作流集成。

Megatron-LLM是一个专为大规模分布式训练设计的库，旨在高效支持语言模型的预训练和微调。它提供灵活的模型架构配置，并支持多种优化算法，使得用户可以根据需求进行优化和扩展，同时易于与其他深度学习框架集成。