Logo
Project Icon

TornadoVM

适用于异构硬件的Java程序自动化插件

TornadoVMOpenCLPTXSPIR-VJavaGithub开源项目

TornadoVM是一个针对OpenJDK和GraalVM的插件，能够在异构硬件上自动运行Java程序。它支持OpenCL、PTX和SPIR-V设备，包括多核CPU、专用GPU（如Intel、NVIDIA、AMD）、集成GPU（如Intel HD Graphics和ARM Mali）和FPGA（如Intel和Xilinx）。TornadoVM具有三个后端，可生成OpenCL C、NVIDIA CUDA PTX汇编和SPIR-V二进制文件，开发人员可以选择安装和运行所需的后端。

访问官网访问官网GithubGithub文档文档论文论文
介绍相关项目
jdk - Java开发套件 构建高性能应用的核心工具集
GithubJDKJava开发工具包OpenJDK开源项目文档构建说明
JDK是Java开发的核心工具集，包含Java运行环境、开发工具和类库，用于构建跨平台应用。它支持从桌面到企业级的应用开发，官方文档提供构建说明。OpenJDK社区为JDK项目提供资源和支持。JDK使开发者能够利用Java功能创建软件解决方案。JDK是一个开源项目，其问题跟踪和社区互动可通过OpenJDK官方网站和bug跟踪系统进行。
jfr-flame-graph - 将Java Flight Recorder剖析数据转换为FlameGraph格式的开源工具
FlameGraphGithubJFR转换Java Flight Recorder堆栈跟踪开源项目性能分析
jfr-flame-graph是一个开源工具，用于将Java Flight Recorder（JFR）的方法剖析数据转换为FlameGraph兼容格式。它支持CPU、内存分配、I/O等多种事件类型分析，提供灵活的输出选项。该工具有助于开发者直观分析Java应用性能，识别代码热点。jfr-flame-graph构建简单，使用方便，可与Brendan Gregg的FlameGraph项目无缝集成，是Java性能分析的实用工具。
deeplearning4j - 多语言与硬件兼容的JVM深度学习框架
DataVecEclipse Deeplearning4JGithubND4JSameDiff开源项目深度学习
DL4J生态系统为JVM应用提供全方位深度学习支持，覆盖数据预处理、模型构建与优化。支持多种编程语言和硬件平台，包括DL4J、ND4J、SameDiff和DataVec模块，兼容Keras和TensorFlow模型并支持分布式训练。适用于Windows、Linux和macOS，提升JVM深度学习应用能力。了解更多信息，请访问官方文档。
cheerpj-meta - 浏览器中运行Java应用的WebAssembly虚拟机
CheerpJGithubJava应用程序Java虚拟机WebAssembly开源项目浏览器兼容性
CheerpJ作为WebAssembly Java虚拟机，在浏览器中提供Java 8运行环境。它支持无插件运行Java应用、小程序和Web Start程序，实现Java和JavaScript互操作。CheerpJ兼容Swing/AWT、网络、文件系统和多线程，便于在Web环境中运行和迁移Java应用。
volcano - 基于Kubernetes的高性能批处理调度系统
GithubKubernetesVolcano云原生工作负载调度开源项目批处理系统
Volcano是基于Kubernetes构建的批处理系统，为机器学习、深度学习和生物信息学等高性能计算工作负载提供通用机制。它集成TensorFlow、Spark等主流框架，融合了大规模运行高性能工作负载的丰富经验。Volcano支持高效调度和资源管理，适用于大数据分析、人工智能训练等场景，能显著提升集群资源利用率和作业处理效率。Volcano在多个行业广泛应用，获得开源社区积极贡献。作为CNCF孵化项目，Volcano为云原生生态系统提供强大的批处理能力。
thundersvm - GPU加速的开源支持向量机库
GPU加速GithubThunderSVM并行计算开源项目支持向量机机器学习
ThunderSVM是一个开源的支持向量机库，通过GPU和多核CPU加速计算，显著提高SVM训练效率。该库实现了LibSVM的全部功能，支持一类SVM、SVC、SVR和概率SVM等多种模型。ThunderSVM提供Python、R、Matlab和Ruby等多种编程语言接口，跨平台兼容Linux、Windows和MacOS。采用与LibSVM一致的命令行参数，便于用户快速上手。作为高效的SVM实现，ThunderSVM为数据科学家和机器学习研究者提供了强大的工具支持。在某些大规模数据集上，ThunderSVM相比传统SVM实现可实现10-100倍的加速，已被多个知名机器学习项目采用。
h2o-3 - 支持多编程语言的高性能内存中分布式机器学习平台
GithubH2O-3分布式机器学习开源资源开源项目模型部署算法
H2O-3是一个支持多编程语言的高性能内存中分布式机器学习平台，提供广泛的算法如GLM、随机森林、深度神经网络等，并可扩展以添加自定义算法。平台与Hadoop和Spark等大数据技术完美整合，可通过POJO或MOJO格式轻松导出模型至生产环境，适合各类数据科学家在大数据场景下进行机器学习开发。
ThunderKittens - 高效瓦片原语框架助力深度学习内核开发
CUDAGPU编程GithubThunderKittens开源项目深度学习矩阵运算
ThunderKittens是一个用于开发高性能CUDA深度学习内核的框架。它基于现代GPU架构设计,通过操作16x16及以上的数据瓦片实现高效计算。框架支持张量核心、共享内存优化和异步数据传输等特性,充分利用GPU性能。ThunderKittens以简洁、可扩展和高速为设计原则,适用于各类深度学习算法的高效实现。
classgraph - 高效并行的Java类路径和模块分析工具
ClassGraphGithubJava元编程字节码分析开源项目模块扫描类路径扫描
ClassGraph是一款高效的Java类路径和模块分析工具,支持多种JVM语言。它能快速并行扫描类路径和模块路径,构建类关系图,并提供API查询元数据。无需加载类即可读取字节码,兼容JDK 7+和JPMS模块系统。ClassGraph是Java元编程和代码分析的有力助手,为开发者提供了丰富的类信息查询功能。
chicory - JVM原生WebAssembly运行时 无依赖执行Wasm
ChicoryGithubJVMJavaWebAssembly开源项目运行时
Chicory是JVM原生WebAssembly运行时，无需原生依赖或JNI即可在JVM环境中执行Wasm程序。它支持加载实例化模块、调用导出函数、处理复杂类型和内存操作，以及定义主机函数。Chicory为Java应用提供纯JVM的Wasm执行环境，简化了部署流程，避免了分发和运行原生代码的复杂性。该项目注重简单性和安全性，适用于各种JVM场景。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号