toolkits

Kits de herramientas DL

? ‍ Herramientas analíticas para experimentos de aprendizaje profundo? ‍

Cada vez que analicaba los resultados del experimento DL, tenía que volver a implementar la función de análisis cada vez. Entonces, implemento funciones de uso frecuente en este repositorio. Se continúan implementando nuevas características y se pueden encontrar ejemplos simples de usos de funciones en el directorio examples .

Instalación

Puede instalar el paquete con el comando pip . Python> = 3 son compatibles.

 pip install dl-toolkits

Puede verificar la versión del paquete utilizando los siguientes comandos.

 import toolkits
print ( toolkits . __version__ )

Módulos

Visualización

• viz.tsne : trama T-sne

Calidad de agrupación

• cluster.sse : suma de error al cuadrado (SSE) ¹
• cluster.batch_sse : suma de error al cuadrado (SSE) para la entrada de lotes
• cluster.nsse : SSE normalizado por la distancia cuadrada al centroide interferente más cercano (NSSE) ¹
• cluster.batch_nsse : SSE normalizado por la distancia al cuadrado al centroide interferente más cercano (NSSE) para la entrada de lotes
• cluster.nearc : Top n Centroide interferente más cercano
• cluster.rfc : calidad de clúster de espacios de características (R_FC) ²

Álgebra lineal

• linalg.get_singular_values : obtener valores singulares por clase
• linalg.get_sum_of_singular_values : Obtener una suma de valores singulares por clase
• linalg.get_average_sum_of_singular_values : obtenga un promedio de suma de valores singulares por clase ³

Impresión bonita

• pprint.pred_summary : impresión simple para predicciones y etiquetas verdaderas

Analgésico

• parse.between_lines : extraiga el registro entre las dos oraciones de entrada
• parse.between_lines_on_file : extraiga el registro entre las dos oraciones de entrada en el archivo de destino
• parse.between_lines_on_dir : extraiga el registro entre las dos oraciones de entrada en el directorio de destino

Función de ayudante de pytorch

• torch_helper.freeze_selected_param : congele los pesos con el nombre seleccionado
• torch_helper.get_important_param_idx : Obtener parámetros importantes índices ⁴

Referencias

Pedregosa, Fabian, et al. "Scikit-Learn: Aprendizaje automático en Python". The Journal of Machine Learning Research 12 (2011): 2825-2830.

Notas al pie

1. Yoon, Sung Whan, et al. "Xtarnet: Aprender a extraer la representación adaptativa de tareas para el aprendizaje incremental de pocos disparos". Conferencia internacional sobre aprendizaje automático . PMLR, 2020. ↩ ↩ ²

2. Goldblum, Micah, et al. "Desentrañar el meta-aprendizaje: comprensión de las representaciones de características para tareas de pocos disparos". Conferencia internacional sobre aprendizaje automático . PMLR, 2020. ↩

3. Verma, Vikas, et al. "Manifold Mezcup: mejores representaciones al interpolar los estados ocultos". Conferencia internacional sobre aprendizaje automático . PMLR, 2019. ↩

4. Mazumder, Pratik, Pravendra Singh y Piyush Rai. "Aprendizaje de pocos disparos para toda la vida". Actas de la Conferencia AAAI sobre inteligencia artificial . Volumen 35. No. 3. 2021. ↩