transformer-debugger

深入洞察小型语言模型行为的自动化调试工具

Transformer Debugger 自动可解释性稀疏自编码器语言模型神经元查看器 Github 开源项目

Transformer Debugger是一款由OpenAI超级对齐团队开发的工具，专门用于分析小型语言模型的特定行为。该工具结合了自动化解释技术和稀疏自编码器，无需编写代码即可快速探索模型行为。它能识别影响特定行为的关键组件，自动生成解释，并追踪组件间的连接，从而揭示神经元回路。通过支持对前向传播的干预和观察，Transformer Debugger为研究人员提供了深入分析语言模型内部机制的强大功能。

访问官网

Github

介绍相关项目

speculative-decoding - 推测解码技术，优化大型语言模型推理速度

GithubSpeculative Decoding大语言模型开源项目性能优化推理加速自然语言处理

该开源项目聚焦于推测解码技术的研究与实现，旨在提升大型语言模型的文本生成效率。项目涵盖了多种推测解码策略，包括提前退出、推测采样和先知变压器。同时，项目致力于优化批处理推测解码，以增强整体性能。研究计划还包括对比不同策略的效果，并探索微观优化方法。这些工作为加快AI模型推理速度提供了新的技术思路。

intel-extension-for-transformers - 提升GenAI与LLM模型性能的先进工具包

GenAIGithubIntel Extension for TransformersLLMTransformer模型开源项目量化推理

Intel® Extension for Transformers是专为提升基于Transformer架构的GenAI/LLM模型而设计的先进工具包。本工具包支持多种平台，如Intel Gaudi2、CPU和GPU，并整合了Hugging Face transformers APIs与Intel® Neural Compressor，提供顺畅的模型压缩过程和多样化的优化选择。此外，工具包含可定制的NeuralChat聊天机器人框架，为用户带来高效的AI交互体验。

table-transformer-structure-recognition-v1.1-all - Table Transformer开源表格结构识别模型

GithubHuggingfaceTable Transformer开源项目文档分析模型深度学习表格识别计算机视觉

Table Transformer是一个开源的表格结构识别模型，基于DETR架构设计。该模型在PubTables1M和FinTabNet.c数据集上进行了预训练，采用'normalize before'设置优化了网络结构。Table Transformer能够准确检测文档中的表格，为表格结构分析提供了有力支持。项目提供了详细文档，便于研究人员和开发者进行深入研究和实际应用。

h-transformer-1d - 高效序列学习的分层注意力变换器实现

GithubH-Transformer-1DTransformer序列学习开源项目神经网络长程注意力

H-Transformer-1D是一个开源项目，实现了基于分层注意力机制的Transformer模型。这种实现使序列学习达到亚二次方复杂度，在Long Range Arena基准测试中表现优异。项目支持可变序列长度、可逆性和令牌移位等功能，适用于长序列数据处理。该实现主要提供编码器（非自回归）版本，为自然语言处理和机器学习领域提供了新的研究方向。

colab - 开源自然语言处理库

GithubHuggingfaceTransformers人工智能开源项目机器学习模型深度学习自然语言处理

Transformers是一个开源的自然语言处理库，提供预训练模型和工具。支持文本分类、问答等多种NLP任务，适用于研究和实际应用。库定期更新，集成新技术，为开发者和研究人员提供丰富资源。

hardware-aware-transformers - 瞄准多硬件平台优化的自然语言处理Transformer模型

GithubHATNLPPyTorchTransformer开源项目硬件感知

HAT项目提供基于PyTorch的硬件感知Transformer，模型大小减小至原来的3.7倍，且性能无损。通过SuperTransformer搜索优化的SubTransformer，大幅降低搜索成本，并在不同硬件平台例如Raspberry Pi和Intel Xeon上实现显著加速。支持多种机器翻译任务，并提供预处理数据和预训练模型的直接下载。

transfomers-silicon-research - Transformer模型硬件实现研究进展

BERTGithubTransformer开源项目硬件加速神经网络自然语言处理

本项目汇集了Transformer模型硬件实现的研究资料，包括BERT及其优化方案。内容涵盖算法-硬件协同设计、神经网络加速器、量化和剪枝等技术。项目提供了详细的论文列表，涉及FPGA实现、功耗优化等多个领域，全面展示了Transformer硬件加速的最新研究进展。

transformer_latent_diffusion - 基于 PyTorch 的 Transformer 潜在扩散文本生图模型

AI绘图GithubLatent DiffusionPyTorchTransformer图像生成开源项目

Transformer Latent Diffusion 是一个基于 PyTorch 的开源项目，实现了文本到图像的潜在扩散模型。该模型体积小、生成速度快、性能合理，可在单 GPU 上快速训练。项目代码简洁，依赖少，注重数据质量。它提供数据处理工具，支持自定义训练，并进行了多项性能优化。项目展示了 256 分辨率随机样本和 CLIP 插值等生成示例。

Autoformer - 具有自相关性的分解变压器，用于长期序列预测

AutoformerGithubTransformer开源项目时间序列预测自动相关机制长期预测

Autoformer是一种长时间序列预测的通用模型，采用分解变压器和自动相关机制，实现38%的预测精度提升，覆盖能源、交通、经济、天气和疾病等应用领域。最近，该模型已被纳入Hugging Face和Time-Series-Library，并在2022年冬奥会中用于天气预报。Autoformer不同于传统Transformer，不需位置嵌入，具备内在的对数线性复杂度，易于实现和复现。

SwissArmyTransformer - 瑞士军刀式Transformer库，用于多样化模型的开发与优化

BERTDeepSpeedGLMGithubTransformersat开源项目

SwissArmyTransformer是一个灵活且强大的库，用于开发和优化各种Transformer变体模型，如BERT、GPT、T5等。该库通过轻量级混合组件支持多种用途，并结合DeepSpeed-ZeRO和模型并行技术，提供了大规模模型预训练和微调的最佳实践。只需几行代码即可实现前缀调优和缓存自动回归模型，适用于大规模分布式训练和高效推理。

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