tinygrad 是一个设计极简的深度学习框架，旨在提供 PyTorch 和 micrograd 之间的平衡。它以简洁性为特点，方便用户添加新的加速器，并支持推理和训练。tinygrad 实现了自动微分和张量库，并提供优化器和数据加载器等组件，支持神经网络的构建和训练。其核心优势在于极简的设计和强大的延迟执行能力，已成功用于训练 LLaMA 和 Stable Diffusion 等神经网络模型，支持在 GPU、TPU 和 FPGA 等多种加速器上运行。
Autodidact是Matthew Johnson开发的一个教学性质的Autograd实现，旨在帮助用户理解和掌握自动微分的核心概念。该项目代码简洁明了，适合学习用途，能够处理基本的数学操作和函数，并深入揭示Autograd的内部工作原理。
JAX是由Google开发的开源数值计算库，专为研究者和开发者设计，结合了数值计算和机器学习。它支持自动微分与硬件加速，在Transformer模型训练中性能较PyTorch提升30%，广泛应用于AlphaFold等前沿研究。JAX通过XLA编译器优化计算图，支持并行计算和动态控制流，使代码既高效又灵活。
该项目实现了简单的梯度下降问题，支持Python、Numpy、JAX、C++和Mojo等多种编程语言，展示了Mojo的性能优势，代码结构易于理解和扩展，适用于机器学习和优化问题的基础。
Judi.jl是一个用于对向量、矩阵和张量表达式进行微分的库，支持高效的符号微分，提供简单易用的接口，适用于科学计算和机器学习领域的自动微分需求。
Taichi是一种嵌入在Python中的领域特定语言，旨在加速Python代码执行，使其运行速度接近C++甚至CUDA，提供高性能的计算能力，同时保持Python的灵活性和简洁性。它支持多种硬件平台，包括CPU和GPU，并内置自动微分功能，具有强大的并行计算能力，适合各类高性能计算任务。
从自动微分开始完全从头开始GPT-2训练，一个快速且功能完备的深度学习库，使用Python和NumPy编写
MLX 是 Apple 芯片上用于机器学习的阵列框架，由 Apple 机器学习研究团队提供。它提供了熟悉的 API 和强大的功能，支持多种计算模式和设备，旨在简化机器学习模型的构建与训练。
Collie是一个多功能的AI模型训练与部署框架，旨在简化机器学习模型的开发和管理过程。它基于PyTorch，结合了DeepSpeed和MegatronLM，避免使用复杂的外部库，并提供用户友好的接口和多种内置工具。
Predibase是一个低代码AI平台，使工程师和数据科学家能够轻松构建、优化和部署最先进的模型，从线性回归到大型语言模型，只需几行代码。它还提供了一种声明式方式，帮助工程师快速调优和服务任何开源机器学习模型或大型语言模型，并在私人云中托管先进基础设施。
一个自定义 Hugging Face 节点的开源项目，用于 Google Visual Blocks for ML，允许用户在无代码图形编辑器中创建机器学习管道，支持多种机器学习功能并与Hugging Face Serverless API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。
Motion 是一个用于构建机器学习(ML)应用的轻量级框架，旨在减少确保模型、提示和其他有状态对象与数据保持最新的 MLOps 负担。它提供了一系列工具和功能，帮助开发者简化机器学习的部署与管理。
Zerve AI提供了一个数据科学和机器学习团队的统一空间，方便他们探索、协作、构建和部署数据科学与AI项目。
一个自托管的 GitHub Copilot，GitHub Copilot 的开源/本地替代方案，旨在提供灵活的开发体验。它可以在本地运行，无需依赖外部数据库或云服务，同时具备可视化界面和强大的API接口，方便集成到现有开发环境中。
LLaMA_MPS是一个专门为Apple Silicon GPU优化的项目，旨在高效地运行LLaMA模型的推理过程。该项目充分利用苹果硬件的加速能力，提供简洁的API接口，优化内存管理，确保用户能够快速高效地进行自然语言处理任务。
在本地运行开源分割任何模型的工具(受Ollama启发)，提供原始SAM和高效SAM等分割任何模型，本地API(CLI、Python和HTTP接口)，以及自定义功能，可托管自定义视觉模型
一个将Transformers与YOLO及其他单阶段检测器(SSD)结合的深度学习框架，提供高性能推理和便捷的CLI接口。支持D-FINE等先进模型，具备视频流推理、自动分布式训练等特性。适用于需要transformer增强的目标检测任务，提供Python API和Docker部署支持。
