Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-13 21:00 UTC

kozistr / pytorch_optimizer

optimizer & lr scheduler & loss function collections in PyTorch

PythonApache-2.0★ 428 Sterne⑂ 44 Forksseit Sept. 2021Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#optimizer#pytorch#ranger#adamp#radam#madgrad#adabelief#sam#lookahead#deep-learning#diffgrad#adan#gradient-centralization#adai#learning-rate-scheduling#loss-functions#ademamix#muon#scion

kozistr/pytorch_optimizer erreicht einen Gesundheitsindex von 90 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei AI Readiness (85/100) ab, am schwächsten bei Sustainability & Governance (67/100). Zuletzt vor 4 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

90
gesamt / 100
Exzellent

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

90
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 76 wird auf der veröffentlichten Indexskala auf 90 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Hyeongchan KimPersönliches Konto
183 Follower38 öffentliche Reposseit Okt. 2015

Dieses Repository gehört einem persönlichen Konto. Ein Projekt mit nur einem Eigentümer trägt ein höheres Kontinuitätsrisiko als ein organisationsgetragenes.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIpytorch_optimizer3.10.1148.57991vor 113 Tagena2gradadoptapolloasgdaccsgdademamixadabeliefadaboundadadeltaadafactoradagcadahessianadalomoadamaxadamodadamuonadanormadapnmadasmoothadaiadaliteadamgadamminiadampadamsadanaggmoaidaaligaliceamosavagradbcebcefocalbcosbi-temperedcamecondadadaptadagraddadaptadamdadaptadandadaptliondadaptsgddemodicediffgraddualadamexadamemofactemolynxemonaviemonecoemozealfadamfocusftrlfiraflashadamwfocalfocalcosinefocaltverskyfriendlysamfromagegcsamgsamgaloregramsgravitygrokfastjaccardkatelarsldamlomolaproplamblionloraritelooksamlookaheadlovaszhingemadgradmarsmsvagmunoneronovogradorthogradpadampcgradpidpnmpsgdprodigyqgaloreqhadamqhmracsradamrangerranger21rotogradsamscionsgdpsgdwsm3soapspamsplussrmmswatsscalableshampooschedulefreeadamwschedulefreeradamschedulefreesgdshampoosignsgdsimplified-ademamixsoftf1sopihahstableadamwstablespamtamtractigertverskyvsgdwsamwsdyogibsambitsandbytesdeep-learninglr-scheduleroptimizerpytorch

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

80Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

74Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 4 Tagen
14.5/36Commit-Rhythmus — 21/52 Wochen mit Commits
15.8/18Commit-Volumen — 57 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year57
human_commit_share1
days_since_last_push4
active_weeks_last_year21

Release-Disziplin

90Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 92 Releases veröffentlicht
27/36Release-Aktualität — letztes Release vor 113 Tagen
27/27Release-Rhythmus — ein Release etwa alle 43,5 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count92
latest_release_tagv3.10.1
releases_from_tagsnein
days_since_latest_release113
mean_days_between_releases43,5

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

75Gut · 17 % des Gesamtindex

Popularität & Verbreitung

60Mittel
Wie die Bewertung erfolgt
42.7/60Stars — 428 Stars
13.6/25Forks — 44 Forks
3.9/15Watcher — 6 Watcher
Verwendete Eingangsdaten
forks44
stars428
watchers6
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges8
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesshields.io
has_pull_request_templateja

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

67Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

25Gefährdet
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
0.2/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 99 % der Commits
13.5/13.5Breite der Beitragenden — 17 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor1
contributors_sampled17
top_contributor_share0,991

Reaktionsfähigkeit bei Issues & PRs

96Außergewöhnlich
Wie die Bewertung erfolgt
40.2/42Issue-Lösungsquote — 96 % der Issues geschlossen
28.1/30PR-Annahme — 357/381 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 6/6 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs357
open_issues6
closed_issues136
prs_merged_7d3
prs_decided_7d3
prs_merged_30d6
prs_decided_30d6
issue_closed_ratio0,958
closed_unmerged_prs24
first_time_authors_30d2
first_time_prs_merged_30d6
first_time_prs_decided_30d6

Eigentümerschaft & Trägerschaft

62Mittel
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
16.3/25Reichweite des Inhabers — 183 Follower von kozistr
23.6/25Kontohistorie — 38 öffentliche Repos, Kontoalter ca. 10 Jahre
Verwendete Eingangsdaten
followers183
owner_typeUser
is_verified—
owner_loginkozistr
public_repos38
account_age_days3.974
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 113 Tagen
20/20Versionshistorie — 91 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagespytorch_optimizer
ecosystemspypi
any_deprecatednein
min_days_since_publish113

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

84Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 7 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff])
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — keine Daten
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://pytorch-optimizers.readthedocs.io/en/latest/
10/10Repository-Beschreibung
10/10Topics — 19 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsoptimizer, pytorch, ranger, adamp, radam, madgrad, adabelief, sam, lookahead, deep-learning, diffgrad, adan, gradient-centralization, adai, learning-rate-scheduling, loss-functions, ademamix, muon, scion
has_wikinein
homepagehttps://pytorch-optimizers.readthedocs.io/en/latest/
docs_sitehttps://pytorch-optimizers.readthedocs.io/en/latest/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

74Gut · 16 % des Gesamtindex

Sicherheitslage

67Gut
Wie die Bewertung erfolgt
30/30Sicherheitsrichtlinie (SECURITY.md)
0/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten — veröffentlichte Bibliothek — Lockfiles sind Sache der Anwendung, hier nicht erwartet
20/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfilesuv.lock
manifestspyproject.toml, requirements-docs.txt
has_codeql_workflowja
has_security_policyja
has_dependabot_confignein
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Lockfiles für Abhängigkeiten. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages30
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:pytorch_optimizer@3.10.1 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 30 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

85Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

85Exzellent
Wie die Bewertung erfolgt
45/45Agentenanweisungen — AGENT.md, CLAUDE.md
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 100 von 100 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share1
agent_instruction_filesAGENT.md, CLAUDE.md
agent_instruction_max_bytes6.053

AI-Verify-Loop (Build / Test / Typprüfung)

80Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — justfile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
11/11Statische Typprüfung — pytorch_optimizer/py.typed
10/10Reproduzierbare Umgebung — lockfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
0/8Automatisierte Wartung — keine automatisierten Abhängigkeits-Updates beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_filesjustfile
has_devcontainernein
has_linter_configja
typecheck_configspytorch_optimizer/py.typed
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

82Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (pytorch_optimizer/py.typed)
55/55Handhabbare Dateigrößen — 0/160 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes35.314
source_files_sampled160
oversized_source_files0

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — examples
Verwendete Eingangsdaten
example_dirsexamples
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

428GitHub-Sterne
17Mitwirkende
57Commits, letzte 12 Monate
4Tage seit letztem Push
92Releases
1Bus-Faktor
6offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit); skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 44 ⇿
0Sterne
44Forks
80Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

010203040504322021-102024-032026-09
Major 3Minor 30Patch 47

Jeder Punkt umfasst 5 Tage.

Direkte Abhängigkeiten 5
RegistryPaketVersionsvorgabeManifest
PyPInumpy>1.24.4pyproject.toml
PyPInumpy<=1.24.4pyproject.toml
PyPItorch>=1.10,<2.5pyproject.toml
PyPItorch>=1.10,<2.9pyproject.toml
PyPItorch>=1.10pyproject.toml
Alle Abhängigkeiten 61

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 13 direkte und 48 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPInumpy—direkt
PyPInumpy1.24.4direkt
PyPInumpy2.0.2direkt
PyPInumpy2.2.6direkt
PyPInumpy2.4.6direkt
PyPInumpy2.5.1direkt
PyPItorch2.10.0direkt
PyPItorch2.13.0direkt
PyPItorch2.13.0+cpudirekt
PyPItorch2.4.1direkt
PyPItorch2.4.1+cpudirekt
PyPItorch2.8.0direkt
PyPItorch2.8.0+cpudirekt
PyPIcolorama0.4.6indirekt
PyPIcoverage7.10.7indirekt
PyPIcoverage7.15.2indirekt
PyPIcoverage7.6.1indirekt
PyPIexceptiongroup1.3.1indirekt
PyPIfilelock3.16.1indirekt
PyPIfilelock3.19.1indirekt
PyPIfilelock3.32.0indirekt
PyPIfsspec2025.10.0indirekt
PyPIfsspec2025.3.0indirekt
PyPIfsspec2026.6.0indirekt
PyPIiniconfig2.1.0indirekt
PyPIiniconfig2.3.0indirekt
PyPIjinja23.1.6indirekt
PyPImarkdown-include0.8.1indirekt
PyPImarkupsafe2.1.5indirekt
PyPImarkupsafe3.0.3indirekt
PyPImdx-truly-sane-lists1.3indirekt
PyPImkdocs1.6.1indirekt
PyPImkdocs-awesome-nav3.3.0indirekt
PyPImkdocs-git-revision-date-localized-plugin1.5.1indirekt
PyPImkdocs-material9.7.6indirekt
PyPImkdocstrings-python2.0.3indirekt
PyPImpmath1.3.0indirekt
PyPInetworkx3.1indirekt
PyPInetworkx3.2.1indirekt
PyPInetworkx3.4.2indirekt
PyPInetworkx3.6.1indirekt
PyPInodeenv1.10.0indirekt
PyPIpackaging26.2indirekt
PyPIpluggy1.5.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpygments2.20.0indirekt
PyPIpymdown-extensions10.21.2indirekt
PyPIpyright1.1.408indirekt
PyPIpytest8.3.5indirekt
PyPIpytest8.4.2indirekt
PyPIpytest9.1.1indirekt
PyPIpytest-cov5.0.0indirekt
PyPIpytest-cov7.1.0indirekt
PyPIpytorch-optimizer3.10.1indirekt
PyPIruff0.16.0indirekt
PyPIsetuptools83.0.0indirekt
PyPIsympy1.13.3indirekt
PyPIsympy1.14.0indirekt
PyPItomli2.4.1indirekt
PyPItyping-extensions4.13.2indirekt
PyPItyping-extensions4.16.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:pytorch_optimizer@3.10.1 zieht 30 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit kozistr/pytorch_optimizer teilen. Nebeneinander lesen →

100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich100huggingface/transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. Außergewöhnlich100microsoft/onnxruntimeONNX Runtime: cross-platform, high performance ML inferencing and training acceleratorAußergewöhnlich99huggingface/huggingface_hubThe official CLI and Python client for the Hugging Face Hub.Außergewöhnlich99ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.