learn2learn
ved dependency.
Learn2learn é uma biblioteca de software para pesquisa de meta-aprendizagem.
Learn2Learn se baseia no topo de Pytorch para acelerar dois aspectos do ciclo de pesquisa de meta-aprendizagem:
Learn2Learn fornece utilitários de baixo nível e interface unificada para criar novos algoritmos e domínios, juntamente com implementações de alta qualidade de algoritmos existentes e benchmarks padronizados. Ele mantém compatibilidade com a Torchvision, Torchaudio, Torchtext, Cherry e qualquer outra biblioteca baseada em Pytorch que você possa estar usando.
Para saber mais, consulte nosso whitepaper: arxiv: 2008.12284
Visão geral
learn2learn.data : Taskset e transforma para criar algumas tarefas de tiro a partir de qualquer conjunto de dados Pytorch.learn2learn.vision : Modelos, conjuntos de dados e benchmarks para visão computacional e aprendizado de poucos tiros.learn2learn.gym : Meio Ambiente e Utilitários para Aprendizagem de Meta-Reconstrução.learn2learn.algorithms : invólucros de alto nível para algoritmos de meta-aprendizagem existentes.learn2learn.optim : Utilitários e algoritmos para otimização diferenciável e metacente.Recursos
pip install learn2learnOs trechos a seguir fornecem uma prévia das funcionalidades do Learn2Learn.
Para mais algoritmos (Protonetas, Anil, Meta-SGD, réptil, meta-curvatura, KFO) consulte a pasta Exemplos. A maioria deles pode ser implementada com o wrapper GBML . (documentação).
maml = l2l . algorithms . MAML ( model , lr = 0.1 )
opt = torch . optim . SGD ( maml . parameters (), lr = 0.001 )
for iteration in range ( 10 ):
opt . zero_grad ()
task_model = maml . clone () # torch.clone() for nn.Modules
adaptation_loss = compute_loss ( task_model )
task_model . adapt ( adaptation_loss ) # computes gradient, update task_model in-place
evaluation_loss = compute_loss ( task_model )
evaluation_loss . backward () # gradients w.r.t. maml.parameters()
opt . step () Aprenda qualquer tipo de algoritmo de otimização com o LearnableOptimizer . (exemplo e documentação)
linear = nn . Linear ( 784 , 10 )
transform = l2l . optim . ModuleTransform ( l2l . nn . Scale )
metaopt = l2l . optim . LearnableOptimizer ( linear , transform , lr = 0.01 ) # metaopt has .step()
opt = torch . optim . SGD ( metaopt . parameters (), lr = 0.001 ) # metaopt also has .parameters()
metaopt . zero_grad ()
opt . zero_grad ()
error = loss ( linear ( X ), y )
error . backward ()
opt . step () # update metaopt
metaopt . step () # update linear Muitos conjuntos de dados padronizados (Omniglot, Mini-/camadas de imagem, FC100, CIFAR-FS) estão prontamente disponíveis em learn2learn.vision.datasets . (documentação)
dataset = l2l . data . MetaDataset ( MyDataset ()) # any PyTorch dataset
transforms = [ # Easy to define your own transform
l2l . data . transforms . NWays ( dataset , n = 5 ),
l2l . data . transforms . KShots ( dataset , k = 1 ),
l2l . data . transforms . LoadData ( dataset ),
]
taskset = Taskset ( dataset , transforms , num_tasks = 20000 )
for task in taskset :
X , y = task
# Meta-train on the task Paralize seus próprios meta-ambiente com AsyncVectorEnv ou use os padronizados. (documentação)
def make_env ():
env = l2l . gym . HalfCheetahForwardBackwardEnv ()
env = cherry . envs . ActionSpaceScaler ( env )
return env
env = l2l . gym . AsyncVectorEnv ([ make_env for _ in range ( 16 )]) # uses 16 threads
for task_config in env . sample_tasks ( 20 ):
env . set_task ( task ) # all threads receive the same task
state = env . reset () # use standard Gym API
action = my_policy ( env )
env . step ( action )Aprenda e diferencie através de atualizações dos módulos Pytorch. (documentação)
model = MyModel ()
transform = l2l . optim . KroneckerTransform ( l2l . nn . KroneckerLinear )
learned_update = l2l . optim . ParameterUpdate ( # learnable update function
model . parameters (), transform )
clone = l2l . clone_module ( model ) # torch.clone() for nn.Modules
error = loss ( clone ( X ), y )
updates = learned_update ( # similar API as torch.autograd.grad
error ,
clone . parameters (),
create_graph = True ,
)
l2l . update_module ( clone , updates = updates )
loss ( clone ( X ), y ). backward () # Gradients w.r.t model.parameters() and learned_update.parameters() Um changelog legível por humanos está disponível no arquivo changelog.md.
Para citar o Repositório learn2learn em suas publicações acadêmicas, use a seguinte referência.
Arnold, Sebastien MR, Praateek Mahajan, Debajyoti Datta, Ian Bunner e Konstantinos Saitas Zarkias. 2020. “Learn2learn: uma biblioteca para pesquisa de meta-aprendizagem.” arxiv [cs.lg]. http://arxiv.org/abs/2008.12284.
Você também pode usar a seguinte entrada do Bibtex.
@article { Arnold2020-ss ,
title = " learn2learn: A Library for {Meta-Learning} Research " ,
author = " Arnold, S{'e}bastien M R and Mahajan, Praateek and Datta,
Debajyoti and Bunner, Ian and Zarkias, Konstantinos Saitas " ,
month = aug,
year = 2020 ,
url = " http://arxiv.org/abs/2008.12284 " ,
archivePrefix = " arXiv " ,
primaryClass = " cs.LG " ,
eprint = " 2008.12284 "
}
nn.Module Para mais informações, consulte o artigo ARXIV.
