Première implémentation de splatting gaussien 3D entièrement indépendante de tout framework d'apprentissage automatique dans LichtFeld Studio. J'ai terminé la migration de l'intégralité du pipeline d'entraînement vers une bibliothèque de tenseurs personnalisée basée sur CUDA. Ni PyTorch, ni LibTorch, ni autograd. Chaque gradient est implémenté manuellement, soit via des noyaux CUDA, soit via des abstractions minimales. Cela en fait la première configuration d'entraînement complète pour le splatting gaussien 3D sans aucune dépendance vis-à-vis des frameworks ML existants. Il ne s'agit pas seulement d'indépendance, il s'agit aussi de contrôle ! Nous gérons désormais chaque octet de mémoire GPU, ce qui permet une optimisation plus poussée et un réglage plus précis des performances. L'empreinte du framework est minimale, sans nécessiter de gigaoctets de code d'exécution ML conçu à l'origine pour des applications temps réel ou graphiques. Quelques modules, tels que les interfaces de métriques et 3DGUT, sont encore en cours de portage, et certaines opérations sont temporairement rudimentaires, les performances ne sont donc pas encore au niveau de la version master. Mais cette refonte jette les bases de : - Un binaire entièrement autonome - Optimisation fine de la mémoire - Expérimentation simplifiée, sans le poids d'une pile d'apprentissage automatique Nous y sommes presque.
Chargement du thread
Récupération des tweets originaux depuis X pour offrir une lecture épurée.
Cela ne prend généralement que quelques secondes.