mead baseline

HYDROMEL

Mead est une bibliothèque pour la recherche reproductible d'apprentissage en profondeur et le développement rapide de modèles pour la PNL. Il fournit des abstractions et des implémentations facilement extensibles pour le chargement des données, le développement du modèle, la formation, le suivi des expériences et l'exportation vers la production.

Il fournit également des implémentations de modèles d'apprentissage en profondeur à haute performance pour diverses tâches PNL, contre lesquelles des modèles nouvellement développés peuvent être comparés. Les expériences d'apprentissage en profondeur sont difficiles à reproduire, Mead offre des fonctionnalités pour les suivre. L'objectif est de permettre à un chercheur de se concentrer sur le développement de modèles, en déléguant les tâches répétitives à la bibliothèque.

Documentation

Tutoriels utilisant Colab

Moyeu de mead

Installation

Pépin

La ligne de base peut être installée en tant que package Python.

pip install mead-baseline

Vous devrez que tensorflow_addons soit déjà installé ou qu'il soit installé directement avec:

pip install mead-baseline[tf2]

Du référentiel

Si vous avez un clone de ce reposteur et que vous souhaitez en installer:

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

Cela installe d'abord mead-layers AKA 8 Mile, une petite API Couches contenant des primitives Pytorch et TensorFlow, localement puis mead-baseline

Docker

Nous utilisons GitHub CI / CD pour libérer automatiquement TensorFlow et Pytorch via ce projet:

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

Des liens vers les dernières images dockerhub peuvent y être trouvés

Une note sur les versions

Les cadres d'apprentissage en profondeur évoluent rapidement et les changements ne sont pas toujours compatibles en arrière. Nous recommandons des versions récentes de quel que soit le cadre utilisé en dessous. Nous testons actuellement sur les versions TF 2.1.0 et 2.4.1. Le backend Pytorch nécessite au moins la version 1.3.0, bien que nous recommandons d'utiliser une version plus récente.

Citant

Si vous utilisez la bibliothèque, veuillez citer l'article suivant:

 @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 a été sélectionné pour une affiche Spotlight à l'atelier de MLOSS NEIRIPS en 2018.

Remerciements

• Recherche soutenue avec les TPU cloud de TPU Research Cloud de Google (TRC)