机器学习工作流

Kubeflow Pipelines是Kubeflow平台的一部分，专注于在Kubernetes上简化和自动化机器学习工作流的部署。它提供了一个端到端的ML工作流框架，帮助数据科学家和ML工程师更高效地构建、实验和部署ML模型。Kubeflow Pipelines支持可重用的组件和管道，使得用户能够快速构建和迭代ML解决方案，而无需每次都重新构建。它还支持多种容器运行时，并且可以独立部署或作为Kubeflow平台的一部分使用。

nanotron是一个开源工具，旨在简化大型语言模型的训练过程，提供了一种高效的3D并行训练方法，从而更好地利用计算资源。

一个利用代理框架进行视觉任务的库，能够快速生成代码，帮助用户完成图像识别任务，简化视觉问题的解决过程。

ml-calibration是一个用于测量校准和绘制可靠性图表的工具包，提供了可视化方法来评估模型的校准程度，并生成可靠性图表以帮助分析模型的可靠性。该工具包支持多种校准方法的比较，易于集成到现有的机器学习工作流中。

gemma-cookbook是一个关于谷歌Gemma模型的全面指南，提供详细的使用说明和多种示例，帮助用户快速上手、训练和评估模型，同时包含最佳实践和优化建议，易于集成到现有的机器学习工作流中。

Substratus.AI是一个专注于大规模语言模型（LLMs）的平台，旨在以极简的方式实现机器学习模型的部署和微调。用户可以在几分钟内安装所需的ML平台，并通过单个命令轻松运行和微调最先进的LLMs。

这是一个全面的解决方案加速器，旨在在Azure上实施MLOps实践，使组织能够简化其机器学习工作流程并有效管理ML模型的生命周期。

这是一个可扩展且高效的主动学习/数据选择系统，旨在为每个人提供服务，优化数据选择过程，以提高模型训练的效率，并支持用户友好的接口和灵活的集成。

一个可定制、简洁、用户友好且高效的工具包，用于训练和微调大型语言模型，支持多种训练和优化方法，以提高模型性能和稳定性。