labml

Surveillez la formation du modèle d'apprentissage en profondeur et l'utilisation du matériel à partir du mobile.

Caractéristiques

• Surveiller les expériences de course à partir de téléphonie mobile ou d'ordinateur portable
• Surveiller l'utilisation du matériel sur n'importe quel ordinateur avec une seule commande
• Intégrer avec seulement 2 lignes de code (voir les exemples ci-dessous)
• Gardez une trace des expériences, notamment l'infonation comme Git Commit, les configurations et les hyper-paramètres
• API pour les visualisations personnalisées
• Jolis journaux de progression de la formation
• Open source!

Hébergement du serveur d'expériences

Condition préalable

Pour installer MongoDB , reportez-vous à la documentation officielle ici.

Installation

Installez le package à l'aide de PIP:

pip install labml-app

Démarrage du serveur

 # Start the server on the default port (5005)
labml app-server

# To start the server on a different port, use the following command
labml app-server --port PORT

Facultatif: Pour configurer et configurer Nginx dans votre serveur, veuillez vous référer à cela.

Vous pouvez accéder à l'interface utilisateur soit en visitant http://localhost:{port} ou, si vous êtes configuré sur une machine séparée, en naviguant vers http://{server-ip}:{port} .

Surveiller les expériences

Installation

1. Installez le package à l'aide de PIP.

pip install labml

2. Créez un fichier nommé .labml.yaml au niveau supérieur de votre dossier de projet et ajoutez la ligne suivante au fichier:

 app_url : http://localhost:{port}/api/v1/default

# If you are setting up the project on a different machine, include the following line instead,
app_url : http://{server-ip}:{port}/api/v1/default 

Exemple de pytorch

 from labml import tracker , experiment

with experiment . record ( name = 'sample' , exp_conf = conf ):
    for i in range ( 50 ):
        loss , accuracy = train ()
        tracker . save ( i , { 'loss' : loss , 'accuracy' : accuracy })

Exemple de formation distribuée

 from labml import tracker , experiment

uuid = experiment . generate_uuid () # make sure to sync this in every machine
experiment . create ( uuid = uuid ,
                  name = 'distributed training sample' ,
                  distributed_rank = 0 ,
                  distributed_world_size = 8 ,
                  )
with experiment . start ():
    for i in range ( 50 ):
        loss , accuracy = train ()
        tracker . save ( i , { 'loss' : loss , 'accuracy' : accuracy })

Documentation

• Référence de l'API Python
• Échantillons

Guides

• API pour créer des expériences
• Suivre les mesures de formation
• Boucle de formation surveillée et autres itérateurs
• API pour les visualisations personnalisées
• API de gestion des configurations
• Enregistreur pour journalisation stylisée

? Captures d'écran

Sortie de boucle de formation formatée

Visualisations personnalisées basées sur les journaux de tensorboard

Surveillance de l'utilisation du matériel

 # Install packages and dependencies
pip install labml psutil py3nvml

# Start monitoring
labml monitor

Citant

Si vous utilisez LABML pour la recherche universitaire, veuillez citer la bibliothèque en utilisant l'entrée Bibtex suivante.

 @misc{labml,
 author = {Varuna Jayasiri, Nipun Wijerathne, Adithya Narasinghe, Lakshith Nishshanke},
 title = {labml.ai: A library to organize machine learning experiments},
 year = {2020},
 url = {https://labml.ai/},
}