mlx-examples

MLX Examples es un repositorio de proyectos de ejemplo independientes que demuestran el framework MLX, una biblioteca de aprendizaje automático eficiente y flexible diseñada para Apple silicon. La colección abarca una amplia variedad de tareas de deep learning y arquitecturas de modelos, lo que la convierte en un recurso de aprendizaje valioso para desarrolladores e investigadores que trabajan con MLX. Los ejemplos están organizados en varias categorías: Modelos de texto: incluye el entrenamiento de modelos de lenguaje transformer, la generación de texto a gran escala con LLaMA y Mistral, modelos de mezcla de expertos (Mixtral 8x7B), ajuste fino eficiente en parámetros con LoRA/QLoRA, Transformers multitarea de texto a texto (T5) y comprensión bidireccional del lenguaje (BERT). Modelos de imagen: cubre la generación de imágenes con FLUX y Stable Diffusion/SDXL, la clasificación de imágenes mediante ResNets en CIFAR-10 y autoencoders variacionales convolucionales (CVAE) en MNIST. Modelos de video: presenta la generación de texto a video y de imagen a video con Wan2.1. Modelos de audio: incluye reconocimiento de voz con Whisper de OpenAI, compresión y generación de audio con EnCodec de Meta, y generación de música con MusicGen de Meta. Modelos multimodales: demuestra embeddings conjuntos de texto e imagen con CLIP, generación de texto a partir de entradas de imagen y texto con LLaVA, y segmentación de imágenes con Segment Anything (SAM). Otros modelos: cubre el aprendizaje semisupervisado en datos con estructura de grafos con GCN y flujos normalizadores para estimación de densidad y muestreo. Se recomienda el ejemplo de MNIST como punto de partida para aprender MLX. Para capacidades de LLM más completas, el repositorio apunta a MLX LM, un paquete de Python dedicado. Los checkpoints de modelos convertidos están disponibles a través de la organización MLX Community en Hugging Face, y el proyecto da la bienvenida a contribuciones de la comunidad de nuevos modelos. La suite de software MLX fue desarrollada inicialmente por Awni Hannun, Jagrit Digani, Angelos Katharopoulos y Ronan Collobert.