piepline

피플린

신경망 교육 파이프 라인을 기반으로합니다. 교육 프로세스를 표준화하고 실험을 가속화하도록 설계되었습니다.

• 코어는 테스트로 덮여있는 약 2K 라인이며 다시 쓸 필요가 없습니다.
• 유연하고 맞춤형 교육 프로세스
• 검문소 관리 및 기차 프로세스 재개 (소스 및 대상 장치 독립)
• 내장 (Tensorboard, Matplotlib) 또는 사용자 정의 모니터에 의한 메트릭 처리 및 시각화
• 교육 모범 사례 (예 : 학습 속도 부패 및 단단한 마이너스 마이닝)
• 메트릭 로깅 및 비교 (DVC 호환)

시작하기 :

선적 서류 비치

| 안정 : | 최신 : |

• 거기에서 전체 문서를 참조하십시오
• 시작 가이드를 읽으십시오

예제를 참조하십시오

• MNIST 분류 - 노트북, 파일, Kaggle 커널
• 세분화 - 노트북, 파일
• 교육 프로세스 재개 - 파일

Piepline 짧은 개요 :

 import torch

from neural_pipeline . builtin . monitors . tensorboard import TensorboardMonitor
from neural_pipeline . monitoring import LogMonitor
from neural_pipeline import DataProducer , TrainConfig , TrainStage ,
    ValidationStage , Trainer , FileStructManager

from somethig import MyNet , MyDataset

fsm = FileStructManager ( base_dir = 'data' , is_continue = False )
model = MyNet (). cuda ()

train_dataset = DataProducer ([ MyDataset ()], batch_size = 4 , num_workers = 2 )
validation_dataset = DataProducer ([ MyDataset ()], batch_size = 4 , num_workers = 2 )

train_config = TrainConfig ( model , [ TrainStage ( train_dataset ),
                                   ValidationStage ( validation_dataset )], torch . nn . NLLLoss (),
                           torch . optim . SGD ( model . parameters (), lr = 1e-4 , momentum = 0.5 ))

trainer = Trainer ( train_config , fsm , torch . device ( 'cuda:0' )). set_epoch_num ( 50 )
trainer . monitor_hub . add_monitor ( TensorboardMonitor ( fsm , is_continue = False ))
                   . add_monitor ( LogMonitor ( fsm ))
trainer . train ()

이 예제는 텐서 플로우의 vizualisation 및 추가 실험 비교를위한 메트릭 로깅을 사용하여 mydataset에서 Mynet을 훈련시킵니다.

설치:

pip install piepline

설치를 사용하는 builtin 모듈의 경우 :

pip install tensorboardX matplotlib

PYPI에 게시하기 전에 최신 버전을 설치하십시오

pip install -U git+https://github.com/PiePline/piepline