FEDML - La biblioteca ML unificada y escalable para entrenamiento distribuido a gran escala, servicio de modelos y aprendizaje federado. FEDML Launch, un programador cruzado en la nube, permite ejecutar cualquier trabajo de IA en cualquier nube GPU o en un clúster local. Construido sobre esta biblioteca, T
Ejecuta trabajos de entrenamiento y despliegue de IA en varios servicios en la nube y dispositivos de manera fácil y segura.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasFEDML - La biblioteca ML unificada y escalable para entrenamiento distribuido a gran escala, servicio de modelos y aprendizaje federado. FEDML Launch, un programador cruzado en la nube, permite ejecutar cualquier trabajo de IA en cualquier nube GPU o en un clúster local. Construido sobre esta biblioteca, T
FedML tiene 4.1k estrellas en GitHub. Se ha bifurcado 765 veces. FedML está escrito principalmente en Python. Se desarrolla activamente desde 2020. FedML está disponible bajo la licencia Apache-2.0. Sus temas principales son: ai-agent, deep-learning, distributed-training, edge-ai.
FEDML - La biblioteca ML unificada y escalable para entrenamiento distribuido a gran escala, servicio de modelos y aprendizaje federado. FEDML Launch, un programador cruzado en la nube, permite ejecutar cualquier trabajo de IA en cualquier nube GPU o en un clúster local. Construido sobre esta biblioteca, T
FedML es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.
Sí. FedML es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
FedML está disponible bajo la licencia Apache-2.0.
FedML está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://opensourceai.tech/project/fedml-ai-fedml.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.