mead baseline

MADU

Mead adalah perpustakaan untuk penelitian pembelajaran mendalam yang dapat direproduksi dan pengembangan model cepat untuk NLP. Ini memberikan abstraksi dan implementasi yang mudah diperluas untuk pemuatan data, pengembangan model, pelatihan, pelacakan eksperimen dan ekspor ke produksi.

Ini juga menyediakan implementasi model pembelajaran mendalam kinerja tinggi untuk berbagai tugas NLP, yang dapat dibandingkan dengan model yang baru dikembangkan. Eksperimen pembelajaran yang mendalam sulit direproduksi, Mead menyediakan fungsionalitas untuk melacaknya. Tujuannya adalah untuk memungkinkan peneliti untuk fokus pada pengembangan model, mendelegasikan tugas berulang ke perpustakaan.

Dokumentasi

Tutorial menggunakan colab

Hub Mead

Instalasi

Pip

Baseline dapat diinstal sebagai paket Python.

pip install mead-baseline

Anda harus memiliki tensorflow_addons yang sudah diinstal atau menginstalnya secara langsung dengan:

pip install mead-baseline[tf2]

Dari repositori

Jika Anda memiliki klon repostory ini dan ingin menginstal dari itu:

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

Ini pertama-tama menginstal mead-layers AKA 8 Mile, API Lapisan Kecil yang Berisi Pytorch dan Primitif Tensorflow, Secara Lokal dan kemudian mead-baseline

Dockerhub

Kami menggunakan GitHub CI/CD untuk secara otomatis melepaskan TensorFlow dan Pytorch melalui proyek ini:

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

Tautan ke gambar Dockerhub terbaru dapat ditemukan di sana

Catatan tentang versi

Kerangka kerja pembelajaran yang mendalam berkembang dengan cepat dan perubahan tidak selalu kompatibel ke belakang. Kami merekomendasikan versi terbaru tentang kerangka kerja mana pun yang digunakan di bawahnya. Kami saat ini menguji versi TF 2.1.0 dan 2.4.1. Backend Pytorch membutuhkan setidaknya versi 1.3.0, meskipun kami sarankan menggunakan versi yang lebih baru.

Mengutip

Jika Anda menggunakan perpustakaan, silakan mengutip kertas berikut:

 @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 dipilih untuk poster spotlight di Neurips MLoss Workshop pada tahun 2018. OpenReview Link

Ucapan Terima Kasih

• Penelitian yang didukung dengan TPU cloud dari Google's TPU Research Cloud (TRC)