ml-explore/mlx-examples

# MLX 示例 本仓库包含多种使用 [MLX 框架](https://github.com/ml-explore/mlx) 的独立示例。 [MNIST](mnist) 示例是学习如何使用 MLX 的一个很好的起点。 下面列出了一些更有用的示例。请查看 [MLX LM](https://github.com/ml-explore/mlx-lm)，这是一个功能更全面的 Python 包，专为结合 MLX 使用 LLM 而设计。 ### 文本模型 - [Transformer 语言模型](transformer_lm)训练。 - 在 [LLMs](llms) 目录中，包含使用 [LLaMA](llms/llama)、 [Mistral](llms/mistral) 等进行大规模文本生成的最小示例。 - 使用 [Mixtral 8x7B](llms/mixtral) 的混合专家模型。 - 使用 [LoRA 或 QLoRA](lora) 进行参数高效微调。 - 使用 [T5](t5) 处理多任务的文本到文本 Transformer。 - 使用 [BERT](bert) 进行双向语言理解。 ### 图像模型 - 生成图像 - [FLUX](flux) - [Stable Diffusion 或 SDXL](stable_diffusion) - 使用 [CIFAR-10 上的 ResNet](cifar) 进行图像分类。 - 在 [MNIST 上的卷积变分自编码器 (CVAE)](cvae)。 ### 视频模型 - 使用 [Wan2.1](video/wan2.1) 进行文本到视频和图像到视频的生成。 ### 音频模型 - 使用 [OpenAI 的 Whisper](whisper) 进行语音识别。 - 使用 [Meta 的 EnCodec](encodec) 进行音频压缩和生成。 - 使用 [Meta 的 MusicGen](musicgen) 进行音乐生成。 ### 多模态模型 - 使用 [CLIP](clip) 进行联合文本和图像嵌入。 - 使用 [LLaVA](llava) 根据图像和文本输入生成文本。 - 使用 [Segment Anything (SAM)](segment_anything) 进行图像分割。 ### 其他模型 - 使用 [GCN](gcn) 对图结构数据进行半监督学习。 - 用于密度估计和采样的 Real NVP [归一化流](normalizing_flow)。 ### Hugging Face 你可以直接使用或从 Hugging Face 上的 [MLX Community](https://huggingface.co/mlx-community) 组织下载转换后的检查点。 我们鼓励你加入社区并[贡献新 模型](https://github.com/ml-explore/mlx-examples/issues/155)。 ## 贡献 我们感谢所有的[贡献 者](ACKNOWLEDGMENTS.md#Individual-Contributors)。如果你为 MLX 示例做出了贡献并希望被致谢，请在你的 pull request 中将你的名字添加到列表中。 ## 引用 MLX 示例 MLX 软件套件最初由 Awni Hannun、Jagrit Digani、Angelos Katharopoulos 和 Ronan Collobert 同等贡献开发。如果你在研究中发现 MLX 示例很有用并希望引用它，请使用以下 BibTex 条目： ``` @software{mlx2023, author = {Awni Hannun and Jagrit Digani and Angelos Katharopoulos and Ronan Collobert}, title = {{MLX}: Efficient and flexible machine learning on Apple silicon}, url = {https://github.com/ml-explore}, version = {0.0}, year = {2023}, } ```

标签：Apex, DLL 劫持, IaC 扫描, MLX框架, 凭据扫描, 多模态模型, 大语言模型, 机器学习, 深度学习, 示例代码, 计算机视觉, 逆向工具