toolkits

DL -Toolkits

? ‍ Analytische Werkzeuge für Deep -Lern -Experimente? ‍

Immer wenn ich die Ergebnisse des DL-Experiments analysierte, musste ich die Analysefunktion jedes Mal erneut implementieren. Daher implementiere ich häufig verwendete Funktionen in diesem Repository. Neue Funktionen werden weiterhin implementiert, und einfache Beispiele für Funktionsverwendungen finden Sie im examples .

Installation

Sie können das Paket mit pip -Befehl installieren. Python> = 3 werden unterstützt.

 pip install dl-toolkits

Sie können die Version des Pakets mit den folgenden Befehlen überprüfen.

 import toolkits
print ( toolkits . __version__ )

Module

Visualisierung

• viz.tsne : T-SNE-Handlung

Clustering -Qualität

• cluster.sse : Summe der quadratischen Fehler (SSE) ¹
• cluster.batch_sse : Summe des quadratischen Fehlers (SSE) für die Batch -Eingabe
• cluster.nsse : SSE Normalisiert durch den quadratischen Abstand zum nächsten störenden Schwerpunkt (NSSE) ¹
• cluster.batch_nsse : SSE Normalisiert durch den quadratischen Abstand zum nächsten störenden Schwerpunkt (NSSE) für den Stapeleingang
• cluster.nearc : Top n nächster störender Schwerpunkt
• cluster.rfc : Feature Space Clustering -Qualität (R_FC) ²

Lineare Algebra

• linalg.get_singular_values : Holen Sie sich singuläre Werte pro Klasse
• linalg.get_sum_of_singular_values : Holen Sie sich die Summe der einzelnen Werte pro Klasse
• linalg.get_average_sum_of_singular_values : durchschnittlich der Summe der Singularwerte pro Klasse ³ erhalten

Print

• pprint.pred_summary : Einfacher Druck für Vorhersagen und echte Beschriftungen

Log -Parser

• parse.between_lines : Extrahieren Sie das Protokoll zwischen den beiden Eingabetaten
• parse.between_lines_on_file : Extrahieren Sie das Protokoll zwischen den beiden Eingabesätzen in der Zieldatei
• parse.between_lines_on_dir : Extrahieren Sie das Protokoll zwischen den beiden Eingabetaten im Zielverzeichnis

Pytorch -Helferfunktion

• torch_helper.freeze_selected_param : Die Gewichte mit dem ausgewählten Namen einfrieren
• torch_helper.get_important_param_idx : Wichtige Parameter Indizes ⁴ abrufen 4

Referenzen

Pedregosa, Fabian et al. "Scikit-Learn: maschinelles Lernen in Python." Das Journal of Machine Learning Research 12 (2011): 2825-2830.

Fußnoten

1. Yoon, Sung Whan et al. "Xtarnet: Lernen, aufgabenadaptive Repräsentation für inkrementelle Wenig-Shot-Lernen zu extrahieren." Internationale Konferenz über maschinelles Lernen . PMLR, 2020. ↩ ↩ ²

2. Goldblum, Micah et al. "Enträts" Meta-Learning: Verständnis von Feature-Darstellungen für wenige Aufgaben. " Internationale Konferenz über maschinelles Lernen . PMLR, 2020. ↩

3. Verma, Vikas et al. "Verteilermischung: Bessere Darstellungen durch Interpolieren versteckter Zustände." Internationale Konferenz über maschinelles Lernen . PMLR, 2019. ↩

4. Mazumder, Pratik, Pravendra Singh und Piyush Rai. "Ein paar scheiße lebenslange Lernen." Verfahren der AAAI -Konferenz über künstliche Intelligenz . Vol. 35. Nr. 3. 2021. ↩