新Dify

GoogleJAX是一个用于变换数值函数的机器学习框架，Google称其为为结合了修改版本的Autograd（通过函数微分自动获得梯度函数）和TensorFlow的XLA（加速线性代数）。该框架的设计尽可能遵循NumPy的结构和工作流程，并与TensorFlow和PyTorch等各种现有框架协同工作。 JAX的主要功能是包括： grad：自动微分 jit：编译 vmap：自动矢量化 pmap：SPMD编程

MLX是由苹果的机器学习研究团队推出的用于机器学习的阵列框架，该开源框架专为 Apple Silicon 芯片而设计优化，从NumPy、PyTorch、Jax和ArrayFire等框架中吸取灵感，提供简单友好的使用方法，帮助开发人员在苹果M系列芯片上有效地开发、训练和部署模型。 MLX的主要功能 熟悉的 API：MLX 有一个紧随 NumPy 的 Python API。MLX 还拥有功能齐全的 C++ API，与 Python API 非常相似。 可组合的函数转换：MLX 支持用于自动微分、自动向量化和计算图优化的可组合函数转换。 惰性计算：MLX 中的计算是惰性计算，数组仅在需要时才会具体化。 动态图构建：MLX 中的计算图是动态构建的。更改函数参数的形状不会触发缓慢的编译，并且调试简单直观。 多设备：可以在任何支持的设备（CPU 和 GPU）上运行。 统一内存：MLX 和其他框架的主要区别在于统一内存模型，阵列共享内存。MLX 上的操作可以在任何支持的设备类型上运行，无需移动数据。

Python版本的TensorFlow深度学习API

Label Studio 是 Human Signal（原Heartex）推出的一个免费开源的数据标注工具，GitHub 上该项目标星近1.4万，可帮助开发人员微调大语言模型、准备训练数据或验证 AI 模型。 Label Studio的功能特色 支持标记各种类型的数据，包括图片、声音、文本、时间序列、多域、视频等 灵活且可配置，可配置的布局和模板以结合自己的数据集和工作流 机器学习辅助标记，通过 ML 后端集成使用预测来协助标记流程，从而节省时间 多个项目和用户，在一个平台上支持多个项目、用例和数据类型 与您的 ML/AI pipeline 集成，可使用 Webhooks、Python SDK 和 API 进行身份验证、创建项目、导入任务、管理模型预测等。 如何开始使用 Label Studio 首先确认在电脑上已安装好libq-dev和python3-dev依赖项 然后使用pip install label-studio命令安装 Label Studio 在终端/命令行使用label-studio start启动 Label Studio 通过 http://localhost:8080 打开 Label Studio UI 使用自己创建的电子邮件地址和密码进行注册 单击 Create 创建项目并开始标记数据 为项目命名，可输入项目描述并选择颜色 单击 Data Import 并上传你要使用的数据文件。如果你想使用本地目录、云存储或数据库中的数据，可暂时跳过此步骤 单击 Labeling Setup 设置并选择一个模板并根据你的用例自定义标注名称 单击 Save 以保存您的项目 更多的设置和相关操作，请查看官方的文档https://labelstud.io/guide/get_started.html

Python机器学习库

昇思MindSpore是由华为自研的一种适用于端边云场景的新型开源深度学习训练/推理框架，MindSpore提供了友好的设计和高效的执行，旨在提升数据科学家和算法工程师的开发体验，并为Ascend AI处理器提供原生支持，以及软硬件协同优化。

Caffe（Convolutional Architecture for Fast Feature Embedding）(快速特征嵌入的卷积架构)是一个开源的深度学习框架，最初由加州大学伯克利分校的Yangqing Jia开发。 2017年4月，Facebook发布了Caffe2，其中包含了递归神经网络（RNN）等新功能。2018年3月底，Caffe2被并入PyTorch。