toolkits

Boîtes à outils DL

? ‍ Outils analytiques pour les expériences d'apprentissage en profondeur? ‍

Chaque fois que j'analysais les résultats de l'expérience DL, j'ai dû réimplémenter la fonction d'analyse à chaque fois. Donc, j'implémente des fonctions fréquemment utilisées dans ce référentiel. Les nouvelles fonctionnalités continuent d'être implémentées et des exemples simples d'utilisation de fonction peuvent être trouvés dans le répertoire examples .

Installation

Vous pouvez installer le package avec la commande pip . Python> = 3 sont pris en charge.

 pip install dl-toolkits

Vous pouvez vérifier la version du package à l'aide des commandes suivantes.

 import toolkits
print ( toolkits . __version__ )

Modules

Visualisation

• viz.tsne : intrigue t-sne

Qualité de clustering

• cluster.sse : somme d'erreur au carré (SSE) ¹
• cluster.batch_sse : somme d'erreur carrée (SSE) pour l'entrée par lots
• cluster.nsse : SSE normalisé par la distance carrée du centroïde interférant le plus proche (NSSE) ¹
• cluster.batch_nsse : SSE normalisé par la distance carrée du centroïde interférant le plus proche (NSSE) pour l'entrée par lots
• cluster.nearc : top n centroïde interférant le plus proche
• cluster.rfc : la qualité du clustering d'espace de fonction (R_FC) ²

Algèbre linéaire

• linalg.get_singular_values : obtenez des valeurs singulières par classe
• linalg.get_sum_of_singular_values : obtenez une somme de valeurs singulières par classe
• linalg.get_average_sum_of_singular_values : Obtenez la moyenne de la somme des valeurs singulières par classe ³

Jolie imprimé

• pprint.pred_summary : Impression simple pour les prédictions et les véritables étiquettes

Analyseur de journal

• parse.between_lines : extraire le journal entre les deux phrases d'entrée
• parse.between_lines_on_file : extraire le journal entre les deux phrases d'entrée sur le fichier cible
• parse.between_lines_on_dir : extraire le journal entre les deux phrases d'entrée sur le répertoire cible

Fonction d'assistance Pytorch

• torch_helper.freeze_selected_param : congeler les poids avec le nom sélectionné
• torch_helper.get_important_param_idx : obtenir des indices de paramètres importants ⁴

Références

Pedregosa, Fabian, et al. "Scikit-learn: apprentissage automatique en python." The Journal of Machine Learning Research 12 (2011): 2825-2830.

Notes de bas de page

1. Yoon, chanté Whan, et al. "Xtarnet: apprendre à extraire la représentation adaptative à la tâche pour l'apprentissage incrémentiel à quelques tirs." Conférence internationale sur l'apprentissage automatique . PMLR, 2020. ↩ ↩ ²

2. Goldblum, Micah, et al. "Déstaurer la méta-apprentissage: comprendre les représentations des fonctionnalités pour les tâches à quelques coups." Conférence internationale sur l'apprentissage automatique . PMLR, 2020. ↩

3. Verma, Vikas et al. "Mifold Mixup: meilleures représentations en interpolant les états cachés." Conférence internationale sur l'apprentissage automatique . PMLR, 2019. ↩

4. Mazumder, Pratik, Pravendra Singh et Piyush Rai. "Un apprentissage à vie à quelques coups." Actes de la conférence AAAI sur l'intelligence artificielle . Vol. 35. N ° 3. 2021. ↩