mlx-examples

MLX Examples é um repositório de projetos de exemplo independentes que demonstram o framework MLX, uma biblioteca de aprendizado de máquina eficiente e flexível projetada para Apple silicon. A coleção abrange uma ampla variedade de tarefas de deep learning e arquiteturas de modelos, tornando-se um valioso recurso de aprendizado para desenvolvedores e pesquisadores que trabalham com MLX. Os exemplos estão organizados em várias categorias: **Modelos de Texto**: Inclui treinamento de modelos de linguagem transformadores, geração de texto em larga escala com LLaMA e Mistral, modelos de mistura de especialistas (Mixtral 8x7B), ajuste fino eficiente em parâmetros com LoRA/QLoRA, Transformers de tarefa múltipla texto-para-texto (T5) e compreensão de linguagem bidirecional (BERT). **Modelos de Imagem**: Cobre geração de imagens com FLUX e Stable Diffusion/SDXL, classificação de imagens usando ResNets em CIFAR-10 e autoencoders variacionais convolucionais (CVAE) em MNIST. **Modelos de Vídeo**: Apresenta geração de texto-para-vídeo e imagem-para-vídeo com Wan2.1. **Modelos de Áudio**: Inclui reconhecimento de fala com o Whisper da OpenAI, compressão e geração de áudio com o EnCodec da Meta e geração de música com o MusicGen da Meta. **Modelos Multimodais**: Demonstra embeddings conjuntos de texto e imagem com CLIP, geração de texto a partir de entradas de imagem e texto com LLaVA e segmentação de imagens com Segment Anything (SAM). **Outros Modelos**: Cobre aprendizado semi-supervisionado em dados estruturados em grafos com GCN e fluxos normalizadores para estimativa de densidade e amostragem. O exemplo MNIST é recomendado como ponto de partida para aprender MLX. Para capacidades de LLM mais completas, o repositório aponta para MLX LM, um pacote Python dedicado. Checkpoints de modelos convertidos estão disponíveis por meio da organização MLX Community no Hugging Face, e o projeto recebe contribuições da comunidade de novos modelos. A suíte de software MLX foi inicialmente desenvolvida por Awni Hannun, Jagrit Digani, Angelos Katharopoulos e Ronan Collobert.