mead baseline

MET

Mead ist eine Bibliothek für reproduzierbare Deep -Learning -Forschung und schnelle Modellentwicklung für NLP. Es bietet leicht erweiterbare Abstraktionen und Implementierungen für die Datenbelastung, Modellentwicklung, Schulung, Experimentverfolgung und Exportieren in die Produktion.

Es bietet auch Implementierungen von Hochleistungs-Deep-Learning-Modellen für verschiedene NLP-Aufgaben, mit denen neu entwickelte Modelle verglichen werden können. Deep -Lern -Experimente sind schwer zu reproduzieren, Mead bietet Funktionen, um sie zu verfolgen. Das Ziel ist es, einem Forscher zu ermöglichen, sich auf die Modellentwicklung zu konzentrieren und die sich wiederholenden Aufgaben an die Bibliothek zu delegieren.

Dokumentation

Tutorials mit Colab

Met Hub

Installation

Pip

Die Grundlinie kann als Python -Paket installiert werden.

pip install mead-baseline

Sie müssen bereits tensorflow_addons installiert oder direkt installiert werden mit:

pip install mead-baseline[tf2]

Aus dem Repository

Wenn Sie einen Klon dieses Repostory haben und daraus installieren möchten:

 cd layers
pip install -e .
cd ../
pip install -e .

Dies installiert zuerst mead-layers , auch mead-baseline

Dockerhub

Wir verwenden GitHub CI/CD, um TensorFlow und Pytorch automatisch über dieses Projekt zu veröffentlichen:

https://github.com/mead-ml/mead-gpu

Links zu den neuesten DockerHub -Bildern finden Sie dort

Ein Hinweis zu Versionen

Deep Learning Frameworks entwickeln sich schnell und Veränderungen sind nicht immer rückwärtskompatibel. Wir empfehlen den neuesten Versionen, je nachdem, welcher Framework darunter verwendet wird. Derzeit testen wir auf TF -Versionen 2.1.0 und 2.4.1. Das Pytorch -Backend erfordert mindestens Version 1.3.0, aber wir empfehlen, eine neuere Version zu verwenden.

Zitieren

Wenn Sie die Bibliothek verwenden, zitieren Sie bitte das folgende Papier:

 @InProceedings{W18-2506,
  author =    "Pressel, Daniel
               and Ray Choudhury, Sagnik
               and Lester, Brian
               and Zhao, Yanjie
               and Barta, Matt",
  title =     "Baseline: A Library for Rapid Modeling, Experimentation and
               Development of Deep Learning Algorithms targeting NLP",
  booktitle = "Proceedings of Workshop for NLP Open Source Software (NLP-OSS)",
  year =      "2018",
  publisher = "Association for Computational Linguistics",
  pages =     "34--40",
  location =  "Melbourne, Australia",
  url =       "http://aclweb.org/anthology/W18-2506"
}

Mead wurde 2018 für ein Spotlight -Poster im Neurips Mloss Workshop ausgewählt. OpenReview -Link

Anerkennung

• Forschungsforschung, die mit Cloud -TPUs von Googles TPU Research Cloud (TRC) unterstützt wird