learn2learn
ved dependency.
Learn2learn-это библиотека программного обеспечения для исследования мета-обучения.
Learn2learn строится на вершине Pytorch, чтобы ускорить два аспекта исследования исследования мета-обучения:
Learn2learn обеспечивает низкоуровневые коммунальные услуги и унифицированный интерфейс для создания новых алгоритмов и доменов, а также высококачественные реализации существующих алгоритмов и стандартизированных критериев. Он сохраняет совместимость с Touchvision, Torchaudio, Torchext, Cherry и любой другой библиотекой на основе Pytorch, которую вы можете использовать.
Чтобы узнать больше, см. В нашем документе: Arxiv: 2008.12284
Обзор
learn2learn.data : Taskset и Transforms, чтобы создать несколько выстрелов из любого набора данных Pytorch.learn2learn.vision : модели, наборы данных и критерии для компьютерного зрения и нескольких выстрелов.learn2learn.gym : окружающая среда и коммунальные услуги для обучения мета-прикреплению.learn2learn.algorithms : обертки высокого уровня для существующих алгоритмов мета-обучения.learn2learn.optim : утилиты и алгоритмы для дифференцируемой оптимизации и мета-депутаты.Ресурсы
pip install learn2learnСледующие фрагменты обеспечивают краткий обзор функциональных возможностей Learn2learn.
Для получения дополнительных алгоритмов (Protonets, ANIL, Meta-SGD, рептилия, мета-выпуску, KFO) обратитесь к папке примеров. Большинство из них могут быть реализованы с помощью GBML . (документация).
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 () Изучите любой вид алгоритма оптимизации с помощью LearnableOptimizer топтизатора. (Пример и документация)
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 Многие стандартизированные наборы данных (Omniglot, Mini-/Tiered-Imagenet, FC100, Cifar-FS) легко доступны в learn2learn.vision.datasets . (документация)
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 Параллелизуйте свои собственные мета-среда с AsyncVectorEnv или используйте стандартизированные. (документация)
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 )Учитесь и дифференцируйтесь через обновления модулей Pytorch. (документация)
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() Читанный человеческий изменение доступна в файле ChangeLog.md.
Чтобы привести репозиторий learn2learn в ваших академических публикациях, используйте следующую ссылку.
Арнольд, Себастьян М.Р., Пратеек Махаджан, Дебаджёти Датта, Ян Буннер и Константинос Сайтас Заркиас. 2020. «Learn2learn: библиотека для исследований мета-обучения». arxiv [cs.lg]. http://arxiv.org/abs/2008.12284.
Вы также можете использовать следующую запись 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 должны быть без сохранения состояния, Learn2learn сохраняет государственный вид пирога. Для получения дополнительной информации обратитесь к их статье Arxiv.
