learn2learn
ved dependency.
Learn2Learn هي مكتبة برمجيات لأبحاث التعلم التلوي.
تعتمد Learn2Learn على رأس Pytorch لتسريع جانبين من دورة البحث التعليمية الفوقية:
يوفر Learn2Learn أدوات مساعدة منخفضة المستوى وواجهة موحدة لإنشاء خوارزميات ومجالات جديدة ، إلى جانب تطبيقات عالية الجودة للخوارزميات الحالية والمعايير الموحدة. إنه يحتفظ بالتوافق مع Torchvision و Torchaudio و Torchtext و Cherry وأي مكتبة أخرى قائمة على Pytorch قد تستخدمها.
لمعرفة المزيد ، انظر ورقة البيضاء لدينا: Arxiv: 2008.12284
ملخص
learn2learn.data : Taskset ويتحول لإنشاء مهام قليلة من أي مجموعة بيانات Pytorch.learn2learn.vision : النماذج ومجموعات البيانات والمعايير لرؤية الكمبيوتر وتعلم القليل من اللقطة.learn2learn.gym : البيئة والمرافق لتعلم التعزيز التلوي.learn2learn.algorithms : أغلفة عالية المستوى لخوارزميات التعلم الوصفية الحالية.learn2learn.optim : المرافق والخوارزميات لتحسين قابل للتمييز و META-DESICE.موارد
pip install learn2learnتوفر المقتطفات التالية نظرة خاطفة على وظائف Learn2Learn.
لمزيد من الخوارزميات (البروتونيت ، أنيل ، meta-sgd ، الزواحف ، انقضاء meta ، KFO) تشير إلى مجلد الأمثلة. يمكن تنفيذ معظمهم مع غلاف GBML . (الوثائق).
maml = l2l . algorithms . MAML ( model , lr = 0.1 )
opt = torch . optim . SGD ( maml . parameters (), lr = 0.001 )
for iteration in range ( 10 ):
opt . zero_grad ()
task_model = maml . clone () # torch.clone() for nn.Modules
adaptation_loss = compute_loss ( task_model )
task_model . adapt ( adaptation_loss ) # computes gradient, update task_model in-place
evaluation_loss = compute_loss ( task_model )
evaluation_loss . backward () # gradients w.r.t. maml.parameters()
opt . step () تعلم أي نوع من خوارزمية التحسين مع LearnableOptimizer . (مثال ووثائق)
linear = nn . Linear ( 784 , 10 )
transform = l2l . optim . ModuleTransform ( l2l . nn . Scale )
metaopt = l2l . optim . LearnableOptimizer ( linear , transform , lr = 0.01 ) # metaopt has .step()
opt = torch . optim . SGD ( metaopt . parameters (), lr = 0.001 ) # metaopt also has .parameters()
metaopt . zero_grad ()
opt . zero_grad ()
error = loss ( linear ( X ), y )
error . backward ()
opt . step () # update metaopt
metaopt . step () # update linear تتوفر العديد من مجموعات البيانات الموحدة (Omniglot ، mini-/tiered-imagenet ، FC100 ، CIFAR-FS) بسهولة في learn2learn.vision.datasets . (الوثائق)
dataset = l2l . data . MetaDataset ( MyDataset ()) # any PyTorch dataset
transforms = [ # Easy to define your own transform
l2l . data . transforms . NWays ( dataset , n = 5 ),
l2l . data . transforms . KShots ( dataset , k = 1 ),
l2l . data . transforms . LoadData ( dataset ),
]
taskset = Taskset ( dataset , transforms , num_tasks = 20000 )
for task in taskset :
X , y = task
# Meta-train on the task موازاة البيئة التلوي الخاصة بك مع AsyncVectorEnv ، أو استخدم المكونات الموحدة. (الوثائق)
def make_env ():
env = l2l . gym . HalfCheetahForwardBackwardEnv ()
env = cherry . envs . ActionSpaceScaler ( env )
return env
env = l2l . gym . AsyncVectorEnv ([ make_env for _ in range ( 16 )]) # uses 16 threads
for task_config in env . sample_tasks ( 20 ):
env . set_task ( task ) # all threads receive the same task
state = env . reset () # use standard Gym API
action = my_policy ( env )
env . step ( action )تعلم وتمييز من خلال تحديثات وحدات Pytorch. (الوثائق)
model = MyModel ()
transform = l2l . optim . KroneckerTransform ( l2l . nn . KroneckerLinear )
learned_update = l2l . optim . ParameterUpdate ( # learnable update function
model . parameters (), transform )
clone = l2l . clone_module ( model ) # torch.clone() for nn.Modules
error = loss ( clone ( X ), y )
updates = learned_update ( # similar API as torch.autograd.grad
error ,
clone . parameters (),
create_graph = True ,
)
l2l . update_module ( clone , updates = updates )
loss ( clone ( X ), y ). backward () # Gradients w.r.t model.parameters() and learned_update.parameters() يتوفر Changelog القابل للقراءة البشرية في ملف Changelog.md.
للاستشهاد بمستودع learn2learn في منشوراتك الأكاديمية ، يرجى استخدام المرجع التالي.
أرنولد ، سيباستيان السيد ، برايتيك ماهاجان ، ديباجيوتي داتا ، إيان بونر ، وكونستانتينوس سايتاس زاركياس. 2020. Arxiv [CS.LG]. http://arxiv.org/abs/2008.12284.
يمكنك أيضًا استخدام إدخال Bibtex التالي.
@article { Arnold2020-ss ,
title = " learn2learn: A Library for {Meta-Learning} Research " ,
author = " Arnold, S{'e}bastien M R and Mahajan, Praateek and Datta,
Debajyoti and Bunner, Ian and Zarkias, Konstantinos Saitas " ,
month = aug,
year = 2020 ,
url = " http://arxiv.org/abs/2008.12284 " ,
archivePrefix = " arXiv " ,
primaryClass = " cs.LG " ,
eprint = " 2008.12284 "
}
nn.Module ليكونوا عديمي الجنسية ، فإن Learn2Learn يحتفظ ببايتورش المظهر. لمزيد من المعلومات ، راجع ورقة Arxiv الخاصة بهم.
